Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML

Ogni giorno, milioni di persone scendono dal marciapiede per attraversare la strada, confidando che i conducenti le vedano e si fermino. Eppure, nelle città di tutto gli Stati Uniti, questa fiducia viene spesso infranta. Quando un pedone attraversa senza attendere un varco sicuro o ignora un segnale, e un veicolo non cede il passo, il risultato è spesso una tragedia. Questi incidenti di "mancata precedenza" non sono incidenti casuali; seguono schemi specifici basati su dove si trova la persona, che ora del giorno sia e chi sia alla guida. Per decenni, gli esperti di sicurezza hanno cercato di comprendere questi momenti esaminando manualmente i rapporti della polizia o guardando filmati video, ma questi metodi sono lenti e faticano a gestire l'enorme volume di dati disponibili oggi. La domanda rimane: possiamo usare i massicci archivi di registri stradali per scoprire le regole nascoste che governano queste pericolose interazioni, e possiamo farlo in un modo che spieghi perché un incidente è avvenuto, non solo che è avvenuto?

Un team di ricercatori della Texas State University si è posto l'obiettivo di rispondere a questa domanda rivolgendosi a un nuovo tipo di intelligenza informatica. Hanno raccolto dati dal Fatality Analysis Reporting System, un database nazionale che contiene registri dettagliati di ogni incidente stradale mortale negli Stati Stati Uniti tra il 2016 e il 2023. Invece di cercare di prevedere un singolo numero, come il numero totale di decessi, hanno chiesto al computer di classificare questi tragici eventi in categorie specifiche basate su come il pedone si stava muovendo al momento dell'impatto. Hanno utilizzato un sistema di classificazione noto come Pedestrian and Bicycle Crash Analysis Tool, che suddivide gli incidenti in tipi quali una persona che attraversa da sinistra, che attraversa da destra, che attraversa in una direzione insolita o che attraversa con una direzione sconosciuta. Alimentando questi dati con un sistema di apprendimento automatico automatizzato chiamato AutoGluon, i ricercatori hanno permesso al computer di costruire i propri modelli per trovare il modo più accurato di distinguere tra questi diversi tipi di incidenti.

Il computer non ha semplicemente tirato a indovinare; ha imparato. Dopo aver testato decine di diversi approcci matematici, il sistema si è stabilito su un metodo chiamato LightGBM, che si è dimostrato il più accurato. Questo modello ha identificato correttamente il tipo di manovra del pedone in quasi l'80 percento dei casi mortali testati. Più importante ancora, i ricercatori non hanno lasciato il computer come una "scatola nera" che fornisce semplicemente una risposta senza spiegazione. Hanno utilizzato una tecnica chiamata SHAP, che agisce come una lente d'ingrandimento, per guardare dentro il modello e vedere quali fattori spingevano la previsione in una direzione o nell'altra. Ciò ha rivelato che l'anno in cui si è verificato l'incidente, la posizione esatta del pedone, il tipo di strada e l'età del conducente erano gli indizi più potenti nel determinare come si sia sviluppato un incidente.

Quando i ricercatori hanno esaminato da vicino i risultati, sono emersi storie distinte per ogni tipo di attraversamento. Per gli incidenti in cui un pedone ha attraversato da sinistra, il computer ha mostrato che il fattore più critico era la posizione del pedone. Questi incidenti erano fortemente legati a persone che attraversavano nel mezzo di un isolato, lontano dagli attraversamenti pedonali segnalati, dove i conducenti non si aspettano che appaiano. L'analisi ha anche evidenziato che i conducenti più anziani erano particolarmente vulnerabili in questi scenari, probabilmente perché i loro tempi di reazione rallentano di fronte a una persona improvvisa e inaspettata che esce dal lato.

La storia era diversa per gli incidenti che coinvolgevano un pedone che attraversava da destra. Qui, l'età del conducente giocava nuovamente un ruolo fondamentale, ma lo facevano anche il tipo di veicolo e l'ora del giorno. I dati suggeriscono che questi incidenti avvengono spesso quando un conducente sta effettuando una svolta a destra, una manovra che richiede di guardare in più direzioni contemporaneamente. L'analisi del computer ha indicato che i conducenti spesso non controllano l'area dove un pedone potrebbe apparire, specialmente se la visuale è ostruita dai pilastri della stessa auto o se il design della strada include corsie di decelerazione che permettono alle auto di svoltare senza fermarsi completamente. In questi casi, l'attenzione del conducente è divisa e il pedone è nascosto in un angolo cieco finché non è troppo tardi.

Per la categoria più confusa, dove la direzione del pedone era sconosciuta o insolita, il modello indicava verso pedoni più anziani e scarsa visibilità. Questi incidenti coinvolgevano frequentemente persone che attraversavano nel cuore della notte o in condizioni meteorologiche avverse, spesso lontano da qualsiasi punto di attraversamento designato. I dati hanno mostrato che questi incidenti erano più comuni nei mesi invernali e spesso coinvolgevano veicoli più grandi come gli SUV, che possono bloccare la vista del conducente verso una persona a terra. Il computer ha imparato che quando un pedone attraversa in modo imprevedibile, la combinazione di oscurità, meteo e dimensioni del veicolo crea la tempesta perfetta per un errore fatale.

Le scoperte sfidano l'idea che tutti gli incidenti pedonali siano uguali. Al contrario, mostrano che ogni tipo di fallimento nell'attraversamento ha il proprio insieme unico di cause. Un incidente causato da un pedone che attraversa fuori dalle strisce nel mezzo di un isolato è guidato da fattori diversi rispetto a un incidente causato da un pedone che appare durante una svolta a destra. Questa distinzione è vitale per i pianificatori della sicurezza. Suggerisce che una singola soluzione, come dipingere più strisce pedonali, non risolverà ogni problema. Per salvare davvero vite, le città potrebbero dover riprogettare incroci specifici per migliorare le linee di vista per i conducenti che svoltano, installare un'illuminazione migliore per gli attraversamenti notturni e creare programmi di educazione mirati per i conducenti più anziani che potrebbero avere difficoltà a reagire rapidamente a pedoni inaspettati.

Utilizzando l'apprendimento automatizzato per setacciare anni di dati sugli incidenti mortali, questo studio è andato oltre la semplice statistica per rivelare la meccanica specifica del pericolo. Dimostra che con gli strumenti giusti, possiamo comprendere le condizioni precise che portano alla tragedia. La ricerca non offre una soluzione magica, ma fornisce una mappa chiara di dove risiedono i rischi. Mostra che la sicurezza non riguarda solo il seguire le regole, ma il comprendere la complessa danza del comportamento umano, del design dei veicoli e della geometria stradale che avviene nel split second prima di un incidente. Con questa conoscenza, ingegneri e decisori politici possono finalmente iniziare a costruire strade che non siano solo sicure per la giornata media, ma resilienti abbastanza da proteggere i più vulnerabili quando le cose vanno male.