Varje år dör omkring 1,19 miljoner människor i trafiken globalt enligt WHO, och över hälften av dem är fotgängare eller andra typer av oskyddade trafikanter. Sverige har under många år arbetat mot en nollvision gällande antalet döda i trafiken, men trots det dör omkring 200 personer i trafiken varje år visar siffror från myndigheten Trafikanalys.
Att bättre kunna förutspå fotgängares beteende skulle kunna vara en pusselbit för att minska olyckorna. I sin studie har Chi Zhang med kollegor använt maskininlärning för att förutse fotgängares beteenden i olika trafiksituationer. På detta sätt har forskarna både kunnat förutspå fotgängares beslut att korsa en väg med högre noggrannhet än tidigare, samt snabbare kunnat förutspå den bana fotgängare rör sig i.
Intention förutspås med bättre noggrannhet
För att förutspå fotgängares intention, mer specifik beslutet att korsa en väg, använde forskarna maskininlärning.
– I över 90 procent av fallen kunde studien framgångsrikt förutspå om en fotgängare skulle korsa vägen eller vänta, vilket är 4 procent högre än befintliga modeller. Med en noggrannhet på över 94 procent kunde vi också förutspå om en fotgängare skulle använda ett övergångsställe – ett resultat som även det är 4 procent bättre än befintliga modeller, säger Chi Zhang.
En del av datan som användes samlades in från deltagare i Japan och Tyskland. Studien observerade 60 fotgängare i Tyskland och 60 fotgängare i Japan när de interagerade med simulerade fordon. Deltagarna bar VR-glasögon och hade en minut på sig att ta sig från ena sidan av vägen till den andra i en simulerade trafiksituation. Under tiden registrerade forskarna deras rörelser och handlingar.
– Även om VR-miljön var utformad för att efterlikna verkliga situationer var deltagarna medvetna om att miljön inte var verklig, vilket till viss del kan ha påverkat deras beteende. Men i de flesta fall kunde vi ändå framgångsrikt förutspå deras intentioner, och jämförelsen mellan de två länderna tyder på att det är möjligt att dra generella slutsatser från resultatet, säger Chi Zhang.
Faktorer som påverkar beslutet att korsa en väg
Chi Zhangs avhandling analyserar också hur vissa nyckelfaktorer påverkar gåendes intentioner att korsa en väg, ett område som hittills inte har utforskats i stor utsträckning.
– Vi kunde se att tillgång till övergångsställen, väntetid, gånghastighet samt missade möjligheter att korsa vägen har en stark inverkan på fotgängares beteende, säger Chi Zhang.
– Exempelvis blir fotgängare som missar flera "luckor" mellan bilar mer benägna att ta risker. Detta var tydligt oavsett vilket land vi observerade, tillägger hon.
Forskarna noterade dock vissa skillnader mellan länderna. I datan som samlades in i Japan rörde sig deltagarna snabbare men valde större mellanrum mellan bilar vid övergångar. I Tyskland gick deltagarna långsammare men tog större risker vid övergångarna.
Fotgängares bana kan förutspås snabbare än förut
För att förutspå den bana fotgängare rör sig i använde forskarna djupinlärning. De utgick från befintliga modeller och la till ett skräddarsytt delnätverk med information om fotgängare, t.ex. hur de interagerar och påverkar varandra.
Forskarna använde verkliga trafikdata från två olika öppna källor – en från självkörande bilar i USA och den andra från filmade trafiksituationer i Schweiz och Cypern. Datan användes av modellen för att analysera fotgängares rörelser. Genom att utgå från bara några sekunder av en fotgängares tidigare rörelsebana kunde modellen förutspå personens nästa steg.
– Tidigare studier har också kunnat förutse fotgängares rörelsebanor, men vår studie levererar resultatet mycket snabbare än tidigare. Denna snabba databehandling har potential att användas vid utvecklingen av självkörande fordon, där det är avgörande att fordonet får till sig data så snabbt som möjligt, säger Chi Zhang.
Chi Zhang menar att studiens resultat om fotgängares beteende i trafiken är värdefulla både för utvecklingen av självkörande bilar och i stadsplanering. Hon hoppas att resultatet på sikt kan bidra till minskade dödsolyckor i trafiken.
Text Natalija Sako
