IA na gestão do trânsito: do congestionamento à coordenação

Com mais de 1,47 mil milhões de veículos nas estradas atualmente, acompanhar e gerir o tráfego de forma eficiente tornou-se um desafio cada vez mais complexo. Os métodos tradicionais têm dificuldade em acompanhar o volume e a dinâmica do tráfego moderno. É aqui que a Inteligência Artificial (AI) entra em ação, como um fator transformador para a gestão do tráfego e a tecnologia de segurança rodoviária, utilizando soluções em tempo real orientadas por dados que aumentam a eficiência e a segurança. Na verdade, estudos mostram que os sistemas de gestão do tráfego baseados em AI podem reduzir os atrasos no tráfego em até 25%, melhorando significativamente os tempos de deslocação e reduzindo o congestionamento.

Neste artigo, vamos explorar o impacto da AI na gestão do tráfego, com foco nas especificidades da deteção de matrículas. Vamos analisar as utilizações atuais, os benefícios e os desafios, além de destacar aplicações reais que demonstram o potencial da AI para criar sistemas de monitorização do tráfego mais inteligentes, seguros e eficientes.

O papel da AI na gestão do tráfego#

As aplicações da AI na gestão do tráfego são vastas e diversificadas. Neste artigo, vamos concentrar-nos principalmente em como a visão computacional, um campo especializado da AI que analisa imagens, pode melhorar significativamente a gestão do tráfego.

• Análise e previsão do fluxo de tráfego: Como a AI ajuda a compreender e prever os padrões de tráfego.
• Deteção e gestão de incidentes: O papel da AI na identificação e resposta rápida a incidentes de tráfego.
• Aplicação automatizada das leis de trânsito: Utilização da AI para fazer cumprir leis como os limites de velocidade e a sinalização rodoviária.

Reconhecimento de matrículas#

Fig. 1. Utilização do Ultralytics YOLOv8 para o reconhecimento de matrículas.

Uma das aplicações mais relevantes da AI na gestão do tráfego é o reconhecimento de matrículas. Ao utilizar modelos avançados de AI e câmaras de alta resolução, podemos ler com precisão os números das matrículas dos veículos em circulação, contribuindo para a tecnologia de segurança rodoviária ao garantir que os veículos cumprem as leis e os regulamentos de trânsito.

Como funciona? Os modelos de visão computacional são primeiro treinados para detetar as matrículas dos veículos em circulação. Depois de detetar uma matrícula, o modelo lê e extrai o respetivo número, permitindo uma identificação eficiente do veículo. No backend, estas informações são cruzadas com bases de dados extensas que armazenam detalhes dos veículos, permitindo que os sistemas de localização de veículos identifiquem e acompanhem com precisão o veículo especificado.

Um modelo notável para criar sistemas de deteção de matrículas é o Ultralytics YOLOv8. O YOLOv8 é um modelo de visão computacional de última geração que se destaca na deteção de objetos em tempo real, classificação, segmentação de instâncias e estimativa de pose, podendo ser adaptado a inúmeras aplicações, incluindo a deteção de matrículas.

Aplicações do reconhecimento de matrículas#

Aplicação da lei#

Antes de mais, os sistemas de deteção de matrículas são amplamente utilizados pelas autoridades responsáveis pela aplicação da lei. Estes sistemas são utilizados principalmente para emitir multas por excesso de velocidade, pela não utilização do cinto de segurança e pela utilização de telemóveis durante a condução. Além disso, esta abordagem é utilizada para melhorar a capacidade de localizar e recuperar veículos roubados.

Por exemplo, a Agência de Normas para Condutores e Veículos (DVSA) em Inglaterra utiliza tecnologia de reconhecimento automático de matrículas (ANPR) a nível local, regional e nacional para detetar, dissuadir e interromper a atuação de operadores que violam a lei.

Ao utilizarem modelos avançados de AI, como o Ultralytics YOLOv8, estes sistemas conseguem detetar com precisão estas infrações e captar a matrícula do veículo. O modelo YOLOv8 destaca-se na deteção de objetos em tempo real, garantindo que as autoridades podem identificar rapidamente e com precisão as infrações e enviar ao condutor a respetiva multa.

Estes modelos seguem normalmente a abordagem de reconhecimento automático de matrículas (ANPR). Para compreenderes como funcionam estes modelos de deteção de AI, imagina que estás a ensinar uma criança a reconhecer diferentes raças de cães. Mostrarias muitas imagens e indicarias as características específicas que distinguem um Labrador de um Caniche. Da mesma forma, estes modelos de AI recebem inúmeras imagens anotadas de veículos e das suas matrículas, aprendendo a identificar e memorizar as características únicas de cada matrícula. Este processo de treino permite aos modelos identificar e reconhecer com precisão diferentes números e letras nas matrículas.

Fig. 2. Utilização do Ultralytics YOLOv8 para a aplicação da lei.

Gestão inteligente de estacionamento#

Outra aplicação valiosa da visão computacional na gestão do tráfego é a gestão inteligente de estacionamento. Ao utilizarem modelos como o YOLOv8, estes sistemas conseguem identificar com precisão lugares de estacionamento vazios e orientar os condutores até eles, otimizando a utilização do espaço e reduzindo o tempo de procura. As capacidades de deteção em tempo real do YOLOv8 garantem uma gestão eficiente dos recursos de estacionamento.

A deteção de matrículas também ajuda neste processo. Quando um veículo se aproxima do parque de estacionamento, câmaras de alta resolução captam e reconhecem o número da matrícula utilizando modelos avançados de AI. O sistema abre então a cancela para os veículos autorizados, garantindo uma entrada fluida. Além disso, o sistema calcula o valor do estacionamento com base na duração da permanência e processa automaticamente o pagamento utilizando o método pré-registado do proprietário do veículo, eliminando a necessidade de pagamento manual em quiosques.

Fig. 3. Utilização do Ultralytics YOLOv8 para a gestão inteligente de estacionamento.

Cobrança automática de portagens#

Os sistemas de cobrança de portagens aplicam taxas pela utilização de determinadas estradas, pontes ou túneis, principalmente para financiar a sua construção, manutenção e operação. A cobrança automática de portagens melhora o fluxo de tráfego ao eliminar a necessidade de cada veículo parar e pagar manualmente. Isto ajuda a otimizar o tráfego e a reduzir o congestionamento. Câmaras especializadas leem o número da matrícula de cada veículo que passa e aplicam automaticamente a portagem correspondente, tornando o processo mais eficiente e fluido.

A lista de aplicações continua a crescer, uma vez que a utilização da deteção de matrículas pode servir um número cada vez maior de finalidades.

Fig 4. Um sistema automático de cobrança de portagens.

Desafios da AI na gestão do tráfego#

Como vimos, a AI de visão oferece uma vasta gama de benefícios, mas é essencial reconhecer alguns desafios gerais normalmente associados à gestão do tráfego.

• Custos elevados de implementação: A implementação de sistemas de gestão do tráfego orientados por AI exige um investimento significativo em infraestruturas avançadas, incluindo câmaras de alta resolução, sensores e recursos computacionais. Estes custos iniciais de instalação podem ser substanciais, tendo o custo da câmara de controlo de velocidade média atingido até 1,5 milhões de libras por milha no ano 2000.
• Despesas contínuas de manutenção: É necessária uma manutenção regular para garantir a fiabilidade e a precisão destes sistemas. Isto inclui verificações de rotina, atualizações e reparações, que podem tornar-se dispendiosas ao longo do tempo. Além disso, a infraestrutura é vulnerável a danos causados por fatores ambientais, como chuva intensa, tempestades e condições meteorológicas extremas. Estes elementos podem degradar o equipamento, provocando um aumento dos custos de manutenção e substituição.

Agora, vamos concentrar-nos nos desafios específicos do reconhecimento de matrículas.

• Obstruções parciais: As matrículas podem estar parcialmente cobertas por sujidade, lama ou outros objetos, dificultando a deteção da matrícula completa pela AI.

• Danos: Matrículas danificadas, dobradas ou desbotadas podem reduzir a precisão da deteção e do reconhecimento.

• Privacidade dos dados: A captura e o processamento de imagens de veículos e das suas matrículas envolvem o tratamento de informações sensíveis e levantam preocupações de privacidade que precisam de ser abordadas.

• Conformidade regulamentar: O cumprimento das leis e dos regulamentos locais e internacionais relativos à recolha, armazenamento e utilização de dados é essencial para evitar problemas legais.

Qual será o rumo da AI na gestão do tráfego?#

Embora a gestão do tráfego tenha melhorado significativamente com a introdução da AI, há sempre espaço para novos avanços. À medida que a tecnologia continua a evoluir, podemos esperar várias melhorias, como a integração de sistemas de gestão do tráfego orientados por AI em infraestruturas mais amplas de cidades inteligentes, permitindo uma comunicação fluida entre vários sistemas urbanos.

Também se espera que os futuros modelos de AI se tornem ainda mais eficientes e precisos na deteção e no reconhecimento de matrículas, estando igualmente mais bem preparados para lidar com condições meteorológicas adversas, como chuva, nevoeiro e neve, garantindo uma deteção fiável mesmo em ambientes menos favoráveis.

Conclusão#

O campo da visão computacional registou avanços notáveis nos últimos anos, com o lançamento de novos modelos que superam significativamente os seus antecessores. Estas inovações permitiram uma vasta gama de aplicações na gestão do tráfego, desde a deteção de matrículas até aos sistemas de estacionamento inteligente. Ao utilizarem modelos de ponta como o Ultralytics YOLOv8, estes sistemas oferecem maior precisão, processamento em tempo real e desempenho robusto mesmo em condições desafiantes.

À medida que a AI continua a evoluir, podemos esperar soluções ainda mais sofisticadas e integradas para a gestão do tráfego. Estes avanços não só melhorarão a eficiência e a segurança, como também contribuirão para ambientes urbanos mais inteligentes e sustentáveis. O futuro da AI na gestão do tráfego é promissor, prevendo melhorias contínuas que redefinirão a forma como nos deslocamos e gerimos as nossas cidades.

Interessado no futuro da visão computacional? Para obteres mais informações sobre as novidades da tecnologia de visão computacional, podes explorar a documentação da Ultralytics e consultar os seus projetos no GitHub da Ultralytics e no GitHub do YOLOv8. Para obteres mais informações sobre aplicações de AI em vários setores, as páginas de soluções sobre automóveis autónomos e fabrico podem ser particularmente úteis.