Stel je voor dat je vanuit een hoog venster naar een druk kruispunt kijkt. Auto's razen, draaien en stoppen, terwijl voetgangers door de zebrapaden weven. Voor een computer is dit niet zomaar een chaotische bende; het is een enorme, bewegende puzzel waarbij elk stukje (een auto of een persoon) voortdurend van gedachten verandert en reageert op zijn buren. Decennialang hebben verkeersveiligheidsexperts geprobeerdt te voorspellen wanneer deze stukjes tegen elkaar zouden kunnen botsen. Ze wachtten vroeger tot de daadwerkelijke crash plaatsvond en bestudeerden dan het wrakstuk, maar dat is also$ als wachten tot een huis afbrandt om iets te leren over brandveiligheid. In plaats daarvan begonnen ze te kijken naar "bijna-ongevallen"—die hartverscheurende momenten waarop een auto plotseling remt, slechts centimeters van een voetganger verwijderd. Deze worden "surrogaat veiligheidsmaten" genoemd. Beschouw ze als de verkeersversie van een "bijna-ongeluk"-detector.

Echter, de meeste ouderwetse computerprogramma's keken naar deze bijna-ongevallen één paar tegelijk, zoals controleren of Auto A te dicht bij Auto B is, en vervolgens controleren of Auto C te dicht bij Voetganger D is, waarbij ze negeerden dat het plotseling stoppen van Auto A ervoor kan zorgen dat Auto B uitwijkt, wat vervolgens Voetganger D bang maakt. Het was alsof je probeerde een complexe dans te begrijpen door slechts twee dansers tegelijk te bekijken. Dit artikel introduceert een nieuwe, slimmere manier om de hele dansvloer in één keer te bekijken. Het behandelt het kruispunt niet als een lijst met afzonderlijke paren, maar als een levend, ademend web van verbindingen waar elke beweging door de menigte resoneert. Het doel is simpel maar vitaal: een systeem bouwen dat een gevaarlijke situatie kan opsporen voordat het in een tragedie uitmondt, zonder "vals alarm" te slaan telkens wanneer iemand gewoon vertraagt voor een rood licht.

De Nieuwe "Verkeersdetective": HERMES

Maak kennis met HERMES, een chique naam voor een nieuw soort computerbrein ontworpen om verkeersconflicten bij kruispunten met verkeerslichten te voorspellen. De onderzoekers, Md Monzurul Islam en Subasish Das van Texas State University, bouwden dit systeem om het "platte" probleem van oudere modellen op te lossen. Stel je voor dat je een symfonie probeert te beschrijven door het volume van elk instrument afzonderlijk op te sommen; je zou de harmonie en de chaos missen. Oude modellen deden precies dat met het verkeer: ze maakten de scène plat tot een saaie lijst met getallen. HERMES ziet de kruising daarentegen als een heterogene graaf.

In gewone mensentaal is een "graaf" hier simpelweg een kaart van verbindingen. HERMES tekent een kaart waar auto's en voetgangers de punten (nodes) zijn en hun interacties de lijnen (edges) zijn die hen verbinden. Maar het is niet zomaar een kaart; het is een heterogene kaart, wat betekent dat het het verschil weet tussen een auto die communiceert met een andere auto, een auto die communiceert met een persoon, en een persoon die communiceert met een andere persoon. Het behandelt deze relaties verschillend, net zoals je een gesprek met je beste vriend anders zou behanden dan een praatje met een vreemde.

Wat HERMES werkelijk bijzonder maakt, is hoe het gebruikmaakt van "surrogaat veiligheidsmaten" (SSM's). Dit zijn natuurkundige aanwijzingen zoals Time-to-Collision (hoeveel seconden tot een botsing als niemand beweegt) en DRAC (hoe hard iemand moet remmen om een botsing te vermijden). In plaats van deze getallen simpelweg aan het einde van een lijst toe te voegen, verweeft HERMES ze direct in de verbindingen tussen de punten. Het is alsof je de computer een superkracht geeft: de computer ziet niet alleen dat twee auto's dicht bij elkaar zijn; hij ziet dat ze dicht bij elkaar zijn én snel op elkaar afrijden, en hij weet dat deze specifieke combinatie gevaarlijk is.

Hoe het werkt: De magie van het web

HERMES werkt in lagen, zoals het pellen van een ui of het stapelen van bouwblokken.

1. De Graflaag: Het bekijkt een momentopname van het kruispunt en bouwt een web van verbindingen. Het besteedt extra aandacht aan de "edges" (de lijnen tussen de punten) die een hoge remvraag hebben (hoge DRAC). Als een auto plotseling moet remmen, markeert HERMES die verbinding onmiddellijk.
2. De Attention-laag: Dit is het "multi-head" gedeelte. Stel je voor dat HERMES verschillende paren brillen heeft, waarbij elk paar de scène door een andere lens bekijkt. Eén paar focust misschien op snelheid, een ander op richting, en een ander op hoe dicht iedereen bij elkaar is. Het combineert al deze visies om te beslissen welke interacties het meest kritiek zijn.
3. De Tijdlaag: Verkeer vindt niet plaats in één bevroren foto; het is een film. HERMES bekijkt een opeenvolging van deze grafen door de tijd heen (specifiek 8 frames achter elkaar). Het gebruikt een geheugensysteem (een zogenaamde LSTM) om te onthouden hoe de situatie zich ontwikkelde. Kwamen de auto's dichterbij? Stapte de voetganger naar buiten? Door het verhaal te volgen, kan het de afloop voorspellen voordat deze plaatsvindt.

De Resultaten: Een bijna perfecte score

De onderzoekers testten HERMES met meer dan 109.000 sequenties aan verkeersgegevens van een druk kruispunt in San Marcos, Texas. Ze vergeleken het met een heel team van andere "detectives", waaronder ouderwetse statistische modellen (zoals XGBoost) en moderne deep-learning modellen (zo zoals Transformers).

De resultaten waren indrukwekkend. HERMES won niet alleen; het domineerde.

• Nauwkeurigheid: Het behaalde een score genaamd AUC-ROC van 0,9898. In de wereld van voorspellingsmodellen is een score van 1,0 perfect, en 0,5 is als gokken met een muntje. HERMES kwam ongelooflijk dicht bij perfectie.
• De "Vals Alarm"-test: Dit is het belangrijkste deel voor echt gebruik. Als een veiligheidssysteem "CRASH!" schreeuwt telkens wanneer een auto vertraagt, zal niemand er naar luisteren. De onderzoekers testten hoe goed de modellen echte conflicten konden detecteren terwijl ze de valse alarmen zeer laag hielden (specifiek slechts 5% van de veilige situaties werd onterecht gemarkeerd).
  • Het beste vorige model (een Transformer) ving ongeveer 81% van de echte conflicten bij dit lage percentage valse alarmen.
  • HERMES ving 95,7% van de conflicten.
  • Dat betekent dat HERMES bijna elke gevaarlijke situatie vond terwijl het nauwelijks een vals alarm gaf.

Ze testten ook of HERMES in een andere stad kon werken. Ze namen het in Texas getrainde model en plaatsten het in een kruispunt in Coldwater, Michigan, zonder het opnieuw te trainen op de nieuwe data. Dit wordt "zero-shot transfer" genoemd. Zelfs zonder de nieuwe stad gezien te hebben, presteerde HERGES nog steeds opmerkelijk goed en ving het 91,45% van de conflicten met een foutmarge van 5%. Toen ze het slechts een klein beetje data uit de nieuwe stad gaven (slechts 20% van de trainingssegmenten), steeg de prestatie zelfs nog hoger, waarbij bijna 98,7% van de conflicten werd gevangen.

Wat het niet is (en wat het uitsluit)

Het is belangrijk om te weten wat HERMES niet doet. Het artikel voert expliciet aan dat je niet simpelweg één paar weggebruikers (zoals een auto en een voetganger) in isolatie kunt bekijken om het risico te begrijpen. De studie toont aan dat het individueel bekijken van interacties of het platmaken van de scène tot een eenvoudige lijst met getallen, de complexe web van oorzaak en gevolg mist die tot ongevallen leidt.

Het artikel sluit ook de gedachte uit dat je een enorme hoeveelheid nieuwe data nodig hebt van elke nieuwe locatie om het systeem te laten werken. Hoewel het toevoegen van een beetje lokale data helpt, is het systeem robuust genoeg om goed te functioneren op een nieuwe locatie door simpelweg te leren van een andere, vergelijkbare locatie.

De Kernboodschap

Dit artikel suggereert dat de toekomst van verkeersveiligheid niet alleen gaat over betere camera's of snellere computers; het gaat over een beter begrip. Door het verkeer te behandelen als een verbonden web van relaties in plaats van een lijst met geïsoleerde gebeurtenissen, kan HERGES het gevaar veel eerder en nauwkeuriger zien dan ooit tevoren. Het is een krachtige stap naar een wereld waarin kruispunten veiliger zijn, niet omdat we wachten tot er crashes gebeuren, maar omdat we de bijna-ongevallen kunnen opsporen en het probleem kunnen oplossen voordat er iemand gewond raakt. De auteurs concluderen dat deze aanpak een solide fundament biedt voor het bouwen van wegveiligheidsmonitoren die slim genoeg zijn om het verschil te weten tussen een spannend moment en een echte crash.