A mesterséges intelligenciára épülő forgalomellenőrző kamerák működésének alapja egyszerű: a rendszer téglalap alakú keretet (befoglaló keretet) húz minden felismert jármű köré a képen, majd a kereten belüli tartalmat elemzi. Autóknál és teherautóknál ez jól működik, és egyre több helyen ez vezet el a teljesen automatizált eljárásig: a kamera észleli a szabálysértést, majd a rendszer előkészíti vagy támogatja a bírságolási folyamatot. Indiában ez nem laborkísérlet, hanem deklarált cél, mivel a kétkerekűek balesetei közegészségügyi méretűvé nőttek.
Az MI-alapú kamerák számára a motorosok és utasaik pontos felismerése külön kihívást jelent. (Forrás: AI generált illusztráció)
A motoroknál azonban a téglalap két ponton is csődöt mond. Egyrészt nem ismeri fel megbízhatóan, ha a hátsó utas nincs bukósisakban, mert a két, részben egymást takaró személy körvonala nem tölti ki tisztán a téglalapot. Másrészt teljesen kihagyja azokat az eseteket, amikor hárman ülnek egyetlen motoron. Pedig éppen ezek a tipikus indiai szabálysértések: az ország 2023-ban története legmagasabb halálozási adatát, 172 890 közúti halálesetet regisztrált, és ezek közel 45 százaléka motoros vagy robogós közlekedőt érintett. A bukósisak hiánya a halálos motoros sérülések egyik legfontosabb kockázati tényezője.
A megoldást a hyderabádi IIIT egyetem számítógépes észleléssel foglalkozó kutatócsoportja (CVIT) dolgozta ki, a munka egyik vezető szerzője Aman Goyal, aki ma a T-Mobile mesterséges intelligenciáért felelős termékmenedzsere. Goyal magyarázata szerint az eddig megszokott, téglalapokkal dolgozó képfelismerő eljárások éppen ott bizonytalanodnak el, ahol a motoros és utasai részben eltakarják egymást. A javaslat lényege egy trapéz alakú befoglaló keret, amely sokkal szorosabban öleli körül a motort és a rajta ülőket, mint a téglalap, így kevesebb háttér kerül a keretbe, és kisebb az esélye annak, hogy a szomszédos motoros utasát tévesen ehhez a járműhöz társítsa a rendszer. A pontosabban illeszkedő keret segít abban, hogy a rendszer jobban elkülönítse, kik tartoznak az adott motorhoz. Erre építve már megbízhatóbban tudja felismerni, ha túl sokan ülnek egy motoron. A rendszer tanításánál külön figyeltek arra is, hogy előbb az egyszerűbb, majd az egyre nehezebb eseteket mutassák meg a modellnek. Így a kamera akkor is jobban felismeri az utasokat, ha azok részben takarják egymást.
A kutatók szerint az új megoldás látványosan javította a felismerést: a rendszer sokkal gyakrabban vette észre, ha hárman ültek egy motoron, és a sisakviselést is jóval pontosabban ellenőrizte. Ezek a számok kísérleti, kutatási körülmények között születtek, így inkább a megközelítés ígéretét mutatják, mint a forgalomban garantált teljesítményt.
Miért érdekes mindez Magyarország számára?
A magyar közlekedésbiztonsági gyakorlat is egyre inkább a kameraalapú, mesterséges intelligenciával támogatott ellenőrzés felé mozdul, így a felismerés pontossága itthon sem mellékes kérdés. A hazai VÉDA Közúti Intelligens Kamerahálózat a sebességmérésen túl több szabálysértés rögzítésére is alkalmas, a nemzetközi gyakorlatban pedig már működnek olyan kamerák, amelyek a jármű belsejét elemezve a mobilozást vagy a be nem kapcsolt biztonsági övet is azonosítják. A sisakviselés ellenőrzése Magyarországon is időről időre előkerül a rendőrségi akciókban, még ha a probléma nagyságrendje nem is hasonlítható az indiai helyzethez. A trapéz alakú felismerés tehát olyan részletkérdést old meg, amely a hazai ellenőrzési rendszerek továbbfejlesztésénél is releváns lehet. Erről bővebben a VÉDA Közúti Intelligens Kamerahálózat, a jármű belsejét szkennelő AI-kamerákról, valamint a motorosokkal kapcsolatos szabálysértésekről szóló korábbi írásainkban olvashat.
A történet tanulsága egyszerű: a mesterséges intelligencia sem lát jól, ha rosszul mondjuk meg neki, mit kell néznie. A motorosok esetében nem feltétlenül több kamerára vagy bonyolultabb rendszerre volt szükség, hanem arra, hogy a kamera ne autóként próbálja kezelni a kétkerekűeket.
Forrás: Traffic Technology Today – The motorcycle traffic violations AI struggles to see, and how to fix it (traffictechnologytoday.com); a hivatkozott kutatás: Goyal et al., Detecting, Tracking and Counting Motorcycle Rider Traffic Violations on Unconstrained Roads (CVIT, IIIT Hyderabad). A képek illusztrációk, egyes esetekben mesterséges intelligencia által generáltak.