Nel corso dell’evento promosso dal Gruppo Unipol e dedicato al Think Tank della mobilità The Urban Mobility Council, è stato presentato un innovativo modello di intelligenza artificiale realizzato dal Politecnico di Milano in collaborazione con UnipolTech. La soluzione tech denominata RoadSafeAI è in grado di stimare il rischio stradale urbano analizzando direttamente le immagini della rete stradale, integrate da dati telematici sulle frenate brusche registrate a bordo veicolo attraverso i dispositivi telematici (black box).
I primi risultati dell’utilizzo di RoadSafeAI
L’algoritmo di RoadSafeAI ha mostrato un’accuratezza superiore al 95% nel prevedere il rischio su zone escluse dalla fase di addestramento, grazie a un approccio di validazione spaziale. Questo rende la tecnologia utilizzabile anche in città prive di dati telematici, basandosi unicamente su immagini stradali.
Il modello di rete neurale convoluzionale (CNN, una tipologia di rete neurale – algoritmo – progettata per elaborare dati strutturati in griglie come le immagini) è capace di apprendere la correlazione tra configurazione stradale e pericolosità. Il sistema è stato addestrato per fornire alle amministrazioni strumenti predittivi affidabili per individuare le aree urbane più critiche e pianificare interventi mirati sulla sicurezza.
La ricerca si è focalizzata su un’area centrale di 25 km² a Milano dove, tra il 2023 e il 2024, sono stati rilevati oltre 80.000 eventi di decelerazione improvvisa, potenziali indicatori di rischio incidenti. Nel dettaglio, il territorio urbano è stato scomposto in migliaia di porzioni da 200×200 metri e analizzato in dettaglio: a ciascuna area è stato attribuito un punteggio di rischio (da 0 a 10) in base alla frequenza e distribuzione degli eventi critici.
Il sistema è aggiornabile con nuovi dati e integrabile con informazioni provenienti dagli enti locali (come le statistiche sugli incidenti) e consente di: mappare le zone urbane a maggior rischio di incidente; simulare l’effetto di modifiche infrastrutturali prima della loro implementazione; supportare la progettazione urbana, individuando i tratti più critici, come incroci complessi o zone a bassa visibilità.
‘’Il progetto di ricerca ha sviluppato un modello di intelligenza artificiale in grado di stimare, a partire da immagini della rete stradale, il livello di rischio associato a diverse aree urbane – ha dichiarato Sergio Savaresi, Direttore Dipartimento Elettronica, Informazione e Bioingegneria, Politecnico di Milano e Membro del Comitato di Indirizzo The Urban Mobility Council – Questo modello è stato alimentato e istruito con una enorme quantità di dati telematici e ha dimostrato un’eccellente capacità di generalizzazione, riuscendo a predire con precisione la rischiosità di aree urbane non utilizzate per l’addestramento della rete neurale’’.
