Systematic and orchestrated deployment of solutions in complex urban environments for ageing and vulnerable societies
Herramienta para la mejora de la seguridad vial en entornos urbanos mediante fusión de datos e IA
Objetivo Cero (víctimas) Objetivo de la Unión Europea: Reducir en un 50% el número de víctimas y heridos graves por accidentes de tráfico de aquí a 2030 y eliminarlos de aquí a 2050 → Visión Cero Contexto: El 70% de las muertes y heridos graves en accidentes de tráfico en ciudades europeas involucran a Usuario Vulnerables de la Carretera (VRU) Oportunidades: Innovaciones en análisis de datos e Inteligencia Artificial ofrecen nuevas oportunidades para mejorar la seguridad
SOTERIA tiene como objetivo contribuir a la meta europea de “Visión Cero” a través de un conjunto de modelos, herramientas y servicios innovadores que permitan aportar soluciones a los problemas de seguridad de los VRUs
Credits: EFA
Datos del proyecto ▪ Fecha de inicio: 01/11/2022 ▪ Fecha de fin: 30/04/2026 ▪ Duración: 42 meses ▪ Programa de investigación Horizonte Europa ▪ Número de socios: 15 ▪ Número de países: 7 ▪ Coordinador: Netcompany – Intrasoft
SOTERIA project has received funding from the European Union's Horizon Europe Research & Innovation Programme under Grant Agreement No 101077433.
Crear Living Labs interactivos en varios lugares de Europa para adoptar un enfoque de co-creación en la búsqueda de soluciones
Living Lab #1 | Oxfordshire, Reino Unido
Living Lab #2 | Sajonia, Alemania
Living Lab #3 | Madrid, España
Living Lab #4 | Chania/Igoumenitsa, Grecia
Una red de 8 ciudades europeas
Problemas identificados relativos a análisis de accidentes de tráfico en entornos urbanos • El análisis de puntos negros de accidentalidad se basan únicamente en bases de datos de accidentes. • Limita el alcance del análisis y el tipo de factores que pueden tenerse en cuenta • El trabajo de análisis no está automatizado lo que implica un elevado coste de producción • Baja frecuencia de actualización de los puntos críticos de accidentes. • No suelen tener en cuenta el nivel de exposición de diferentes tipos de usuarios en dichos puntos. • No existen estimaciones de riesgo en las zonas donde no se producen accidentes: reactiva vs proactiva
Video credits with Onsee
Objetivos El triángulo de la seguridad
Una carretera, un carril bici o un lugar sin accidentes graves ni víctimas mortales no es necesariamente seguro.
Objetivos •
1 Muerte
10 Lesiones graves 30
Reportados
•
Los accidentes reportados son “la punta del iceberg” de la seguridad vial.
Lesiones Leves
Automatizar el proceso de identificación de puntos negros de accidentalidad para diferentes usuarios de la vía
600 Cuasi accidentes
•
Identificar los cuasi accidentes y las acciones inseguras usando nuevas fuentes de datos
30.000 acciones inseguras
•
Identificar tramos de carretera o intersecciones potencialmente inseguros aprendiendo de aquellos lugares con accidentes reportados
Video credits with Onsee
No Reportados
•
Fusión e integración de fuentes de datos clásicas y novedosas
Encuestas sobre el comportamiento de los VRU
Base de conocimientos sobre buenas prácticas
Datos de infraestructura
Informes policiales de accidentes
Base de datos de accidents
Datos de tráfico
Datos sobre micromovilidad
Datos de cuasi accidentes
Datos de vehículos conectados
Datos de la telefonía móvil
Herramienta para el análisis de datos de accidentalidad
• Detección de puntos negros de accidentalidad para diferentes niveles de intensidad (leves, severos y masivos) y tipos de usuarios de la vía en base a datos de accidentes reportados • Visualización de la frecuencia de maniobras bruscas de vehículo conectado a nivel de intersección y tramo de vía para diferentes tipos de maniobras • Visualización del número de accidentes según nivel de exposición para distintos tipos de usuarios a nivel de intersección y tramo de vía • Identificación y visualización de intersecciones o tramos de vía con riesgo potencial alto de convertirse en punto negro de accidentalidad mediante modelos clásicos e IA Video credits with Onsee
Herramienta para el análisis de datos de accidentalidad
Video credits with Onsee
Sigue a Linkedin Logo Png : linkedin-icon-logo-png-transparent | OpenVisual FX ...
Web del proyecto
! Logo YouTube - Paal
Información de contacto: Antonio D. Masegosa Ikerbasque Associate Research Professor DeustoTech Universidad de Deusto ad.masegosa@deusto.es