Integrating Telematics and Video-Based Recognition for Vehicle Behavior Analysis in Athens
Dit artikel presenteert een fusiekader binnen het PHOEBE-project dat langdurige smartphone-telematica integreert met kortstondige op YOLOv8 gebaseerde video-analyse op drie kruispunten in Athene, waarbij wordt onthuld dat hoewel beide databronnen consistente directionele snelheidspatronen vastleggen, door video afgeleide metrieken lokale deceleratie en hoge risico's op micro-conflicten blootleggen die gemiddelde snelheden alleen niet kunnen voorspellen, waardoor de waarde van het combineren van breed dekkende en fijnmazige gegevens voor proactief stedelijk wegveiligheidsbeheer wordt aangetoond.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het bruisende hart van steden als Athene is de verkeersstroom een constante, complexe rivier van metaal en beweging. Decennialang hebben veiligheidsexperts geprobeerd te begrijpen hoe deze rivier zich gedraagt, in de hoop de zeldzame maar tragische momenten te voorkomen waarop zij gewelddadig wordt. Traditioneel kwam dit begrip voort uit het terugblikken op crashrapporten, een methode die gevaar pas onthult nadat het al schade heeft veroorzaakt. In de afgelopen jaren zijn er twee nieuwe manieren ontstaan om de weg te observeren, die een kans bieden om gevaar te zien voordat het toeslaat. De ene methode gebruikt de smartphones die door bestuurders worden meegedragen om hun snelheid en remgedrag over grote afstanden en lange perioden te volgen, wat een breed beeld schetst van hoe mensen over een hele stad rijden. De andere methode gebruikt camera's om specifieke punten in realtime te observeren, waarbij de precieze bewegingen van elke auto, voetganger en scooter in één enkel beeld worden vastgelegd. Hoewel elke methere zijn sterke punten heeft, zijn ze zelden samen gebruikt, waardoor er een gat is ontstaan in onze kennis over hoe deze verschillende visies op het verkeer eigenlijk met elkaar verband houden.
Een team van onderzoekers zette zich in om dit gat te overbruggen in de dichtbevolkte, door signalen gereguleerde straten van centraal Athene. Ze wilden zien of de brede, langetermijngegevens van smartphones gecombineerd konden worden met de scherpe, kortetermijnfocus van videocamera's om een duidelijker beeld van de verkeersveiligheid te creëren. Het team richtte zich op drie drukke kruispunten: Vasilissis Amalias, Vasilissis Sofias en de Panepistimiou Street. Deze locaties werden gekozen omdat ze druk zijn, een mix vormen van auto's, voetgangers en scooters, en worden beheerd door verkeerslichten, wat ze perfecte plekken maakt om te observeren hoe bestuurders reageren op signalen en op elkaar. Om dit te doen, verzamelden ze twee verschillende soorten informatie. Eerst keken ze naar geanonimiseerde gegevens verzameld van duizenden smartphonegebruikers tussen 2019 en 2023, die hen de gemiddelde snelheden en rijgewoonten op deze wegen over meerdere jaren vertelden. Vervolgens stelden ze in juni 2024 camera's op de drie genoemde locaties op om videobeelden op te nemen. Vervolgens gebruikten ze een op maat gemaakt kunstmatig intelligentiesysteem om deze video's frame voor frame te bekijken, waarbij ze het exacte pad van elk voertuig volgden en berekenden hoe dicht ze bij een botsing met elkaar of met voetgangers kwamen.
Toen de onderzoekers de twee bronnen van informatie vergeleken, ontdekten ze een verrassend verschil in de cijfers. De gemiddelde snelheid die door de videocamera's werd geregistreerd, was consequent lager dan de gemiddelde snelheid die door de smartphones werd geregistreerd. Op één locatie toonde de video dat auto's ongeveer 15 kilometer per uur langzamer reden dan de smartphonegegevens suggereerden. Het team realiseerde zich dat dit niet kwam doordat bestuurders anders gedrag vertoonden, maar omdat de twee instrumenten naar verschillende delen van de reis keken. De smartphones registreerden de gehele rit, inclusief de snelle, open stukken weg tussen de kruispunten door. De camera's waren echter gefixeerd op het kruispunt zelf, de exacte plek waar auto's moeten vertragen en stoppen voor een rood licht. Het is als het vergelijken van de gemiddelde snelheid van een hardloper die de hele baan aflegt met een foto genomen bij de finishlijn waar ze vertraagt om tot stilstand te komen; de foto legt de deceleratie vast, terwijl de horloge van de hardloper de volledige inspanning vastlegt. Dit verschil in perspectief verklaarde de kloof in de cijfers, en liet zien dat de twee gegevensbronnen eigenlijk een consistent verhaal vertelden, maar vanuit verschillende hoeken.
De echte waarde van het combineren van deze methoden werd duidelijk toen het team naar bijna-ongevallen keek. Ze definieerden een bijna-ongeval als een moment waarop twee weggebruikers zo dicht bij elkaar kwamen dat een botsing zou hebben plaatsgevonden als een van hen niet onmiddellijk had gereageerd. Door de videobeelden te analyseren, ontdekten ze dat deze gevaarlijke momenten niet gelijkmatig over de tijd verspreid waren. In plaats daarvan kwamen ze voor in plotselinge, intense uitbarstingen. Bij het kruispunt van de Vasilissis Amalias nam het risico op een bijna-ongeval dramatisch toe voor enkele seconden telkens wanneer de verkeerslichten veranderden, waarbij een punt werd bereikt waarop er tot wel 50 kritieke gebeurtenissen waren voor elke 1.000 geobserveerde voertuigen. In contrast hiermee bleef het kruispunt van de Panepistimiou Street opmerkelijk rustig, met bijna geen enkele geregistreerde bijna-ongevallen. Deze bevinding onthulde dat gevaar in de stad vaak vluchtig is en verbonden is aan specifieke momenten, zoals de seconden wanneer een licht springt naar geel of wanneer voetgangers laat in de cyclus de straat op stappen.
Misschien wel de belangrijkste ontdekking was dat de gemiddelde snelheid van het verkeer niet voorspelde waar deze bijna-ongevallen zouden plaatsvinden. De onderzoekers vonden geen sterke link tussen hoe snel auto's over het algemeen bewogen en hoe vaak ze bijna tegen elkaar opbotsten. Een druk kruispunt met langzamer verkeer kon nog steeds vol zitten met plotselinge, risicovolle interacties, terwijl een snellere weg veilig kon blijven. Dit suggereert dat de werkelijke oorzaak van gevaar niet de snelheid zelf is, maar de onvoorspelbaarheid van het verkeer: hoe snel bestuurders remmen, hoe dicht ze bij de auto voor hen komen, en hoeveel verschillende soorten weggebruikers tegelijkertijd hun paden kruisen. De studie toonde aan dat hoewel de smartphonegegevens uitstekend waren voor het rangschikken van welke gebieden over het algemeen sneller of langzamer waren, alleen de videodata de fractie van een seconde durende chaos kon onthullen die tot ongelukken leidt.
Door de groothoekvisie van telematica te verweven met de close-up details van videoanalyse, creëerden de onderzoekers een nieuw instrument voor stadsplanners. Deze gecombineerde aanpak stelt hen in staat om niet alleen te zien waar het verkeer zwaar is, maar ook precies wanneer en waar het gevaarlijk wordt. Het suggereert dat veiligheidsverbeteringen niet de hele dag of de hele weg hoeven te beslaan. In plaats daarvan kunnen interventies gericht worden op de specifieke paar seconden wanneer het risico het hoogst is, zoals het aanpassen van de timing van verkeerslichten of het verhogen van handhaving tijdens de momenten waarop bijna-ongevallen het meest waarschijnlijk zijn. Het werk demonstreert dat om steden veiliger te maken, we de weg door meerdere lenzen moeten bekijken, in het besef dat het verhaal van verkeersveiligheid geschreven wordt in zowel de lange reis als de beslissing van een fractie van een seconde.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.