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

Todos os dias, milhões de pessoas descem do meio-fio para atravessar a rua, confiando que os motoristas as verão e pararão. No entanto, em cidades de todo os Estados Unidos, essa confiança é frequentemente quebrada. Quando um pedestre atravessa sem esperar por uma brecha segura ou ignora um sinal, e um veículo deixa de dar a preferência, o resultado é frequentemente uma tragédia. Esses incidentes de "falha de preferência" não são acidentes aleatórios; eles seguem padrões específicos baseados em onde a pessoa está posicionada, qual é a hora do dia e quem está ao volante. Por décadas, especialistas em segurança tentaram compreender esses momentos revisando manualmente relatórios policiais ou assistindo a filmagens, mas esses métodos são lentos e têm dificuldade em lidar com o enorme volume de dados disponíveis hoje. A questão permanece: podemos usar os arquivos massivos de registros de tráfego para descobrir as regras ocultas que governam essas interações perigosas e podemos fazê-lo de uma forma que explique por que um acidente aconteceu, e não apenas que ele ocorreu?

Uma equipe de pesquisadores da Texas State University partiu para responder a essa pergunta recorrendo a um novo tipo de inteligência computacional. Eles reuniram dados do Fatality Analysis Reporting System, um banco de dados nacional contendo registros detalhados de todos os acidentes de trânsito fatais nos Estados Unidos entre 2016 e 2023. Em vez de tentar prever um único número, como o total de mortes, eles pediram ao computador para classificar esses eventos trágicos em categorias específicas com base em como o pedestre estava se movendo no momento do impacto. Eles utilizaram um sistema de classificação conhecido como Pedestrian and Bicycle Crash Analysis Tool, que divide os acidentes em tipos, como uma pessoa atravessando da esquerda, atravessando da direita, atravessando em uma direção incomum ou atravessando com uma direção desconhecida. Ao alimentar esses dados em um sistema de aprendizado de máquina automatizado chamado AutoGluon, os pesquisadores permitiram que o computador construísse seus próprios modelos para encontrar a maneira mais precisa de distinguir entre esses diferentes tipos de acidentes.

O computador não apenas adivinhou; ele aprendeu. Após testar dezenas de diferentes abordagens matemáticas, o sistema estabeleceu um método chamado LightGBM, que se provou o mais preciso. Este modelo identificou corretamente o tipo de manobra do pedestre em quase oitenta por cento dos casos fatais nos quais foi testado. Mais importante ainda, os pesquisadores não deixaram o computador como uma "caixa preta" que simplesmente fornece uma resposta sem explicação. Eles utilizaram uma técnica chamada SHAP, que atua como uma lupa, para olhar dentro do modelo e ver quais fatores estavam empurrando a previsão para um lado ou para o outro. Isso revelou que o ano em que o acidente ocorreu, a posição exata do pedestre, o tipo de via e a idade do motorista eram as pistas mais poderosas para determinar como um acidente se desenrolava.

Quando os pesquisadores olharam de perto para os resultados, histórias distintas emergiram para cada tipo de travessia. Para acidentes onde um pedestre atravessou da esquerda, o computador mostrou que o fator mais crítico era a posição do pedestre. Esses incidentes estavam fortemente ligados a pessoas atravessando no meio do quarteirão, longe de faixas de pedestres marcadas, onde os motoristas não esperam que elas apareçam. A análise também destacou que motoristas mais velhos eram particularmente vulneráveis nesses cenários, provavelmente porque seus tempos de reação diminuem quando confrontados com uma pessoa repentina e inesperada surgindo lateralmente.

A história era diferente para acidentes envolvendo um pedestre atravessando da direita. Aqui, a idade do motorista novamente desempenhou um papel importante, mas também o tipo de veículo e a hora do dia. Os dados sugeriram que esses acidentes frequentemente ocorrem quando um motorista está fazendo uma conversão à direita, uma manobra que exige olhar em múltiplas direções ao mesmo tempo. A análise do computador indicou que os motoristas frequentemente falham em escanear a área onde um pedestre pode surgir, especialmente se a visão estiver bloqueada pelos próprios pilares do carro ou se o desenho da via incluir faixas de desaceleração (slip lanes) que permitem que os carros virem sem parar totalmente. Nesses casos, a atenção do motorista está dividida, e o pedestre fica escondido em um ponto cego até que seja tarde demais.

Para a categoria mais confusa, onde a direção do pedestre era desconhecida ou incomum, o padrão apontou para pedestres mais velhos e baixa visibilidade. Esses acidentes frequentemente envolviam pessoas atravessando durante a madrugada ou sob mau tempo, muitas vezes longe de qualquer ponto de travessia designado. Os dados mostraram que esses incidentes eram mais comuns nos meses de inverno e frequentemente envolviam veículos maiores, como SUVs, que podem bloquear a visão do motorista de uma pessoa no chão. O computador aprendeu que, quando um pedestre atravessa de uma forma imprevisível, a combinação de escuridão, clima e o tamanho do veículo cria uma tempestade perfeita para um erro fatal.

As descobertas desafiam a ideia de que todos os acidentes com pedestres são iguais. Em vez disso, elas mostram que cada tipo de falha de travessia tem seu próprio conjunto único de causas. Um acidente causado por um pedestre atravessando fora da faixa no meio de um quarteirão é impulsionado por fatores diferentes de um acidente causado por um pedestre surgindo durante uma conversão à direita. Essa distinção é vital para os planejadores de segurança. Isso sugere que uma solução única, como pintar mais faixas de pedestres, não resolverá todos os problemas. Para realmente salvar vidas, as cidades podem precisar redesenhar interseções específicas para melhorar as linhas de visão para motoristas em conversão, instalar melhor iluminação para travessias noturnas e criar programas de educação direcionados para motoristas mais velhos que podem ter dificuldade em reagir rapidamente a pedestres inesperados.

Ao usar o aprendizado automatizado para filtrar anos de dados de acidentes fatais, este estudo foi além das simples estatísticas para revelar a mecânica específica do perigo. Ele prova que, com as ferramentas certas, podemos compreender as condições precisas que levam à tragédia. A pesquisa não oferece uma solução mágica, mas fornece um mapa claro de onde residem os riscos. Ela mostra que a segurança não trata apenas de seguir regras, mas de compreender a complexa dança do comportamento humano, do design de veículos e da geometria das vias que acontece no breve segundo antes de um acidente. Com esse conhecimento, engenheiros e formuladores de políticas podem finalmente começar a construir ruas que não sejam apenas seguras para o dia a dia comum, mas resilientes o suficiente para proteger os mais vulneráveis quando as coisas dão errado.