Come può un drone e l'IA valutare il rischio dei pedoni agli incroci?

Le città crescono in fretta, ma la sicurezza dei pedoni resta una sfida. Un team di ricercatori ha creato un nuovo metodo per misurare il rischio di attraversamento usando solo video registrati da droni. I filmati vengono analizzati da YOLOv8, un algoritmo di riconoscimento degli oggetti, e le traiettorie dei pedoni sono seguite con ByteTrack. Così si ottengono percorsi frame‑per‑frame senza sensori a terra.

I ricercatori hanno definito uno "spettro di comportamento" basato su cinque caratteristiche: velocità, accelerazione, tempo di attraversamento, tempo verde residuo del semaforo e durata della fase rossa. I valori vengono normalizzati con il metodo dell’intervallo interquartile. Poi, grazie a una versione migliorata del metodo CRITIC, si assegnano pesi oggettivi a ciascuna caratteristica, tenendo conto della variazione mediana e della correlazione assoluta.

I risultati, espressi come valori propri di rischio, sono raggruppati con K‑means in quattro categorie: nessun rischio, basso, medio e alto. Lo studio ha analizzato 1 210 attraversamenti in un incrocio a otto corsie di Harbin, in Cina. Dei pedoni, 576 hanno rispettato il segnale, 634 lo hanno ignorato. I velocisti non‑conformi hanno mostrato una media di 1,29 m/s, più variabile rispetto ai conformi (1,40 m/s). I gruppi sono stati distinti con coefficienti silhouette di 0,60 e 0,69. Un esperto ha confermato la classificazione su 20 esempi, ottenendo un Kappa di Fleiss pari a 0,87.

Questo approccio offre una valutazione sistematica e trasparente del rischio pedonale, utile sia per la ricerca che per la gestione della sicurezza urbana.

Il metodo proposto si fonda sulla Behavior Spectrum Theory (BST), che interpreta il comportamento pedonale come un vettore multidimensionale. Le cinque variabili scelte rappresentano gli assi principali di questo spazio: la velocità (v) e l'accelerazione (a) descrivono la dinamica del movimento; il tempo di attraversamento (t_cross) indica la durata dell’interazione con l’incrocio; il tempo verde residuo (t_green) misura la finestra temporale disponibile per attraversare in sicurezza; la durata della fase rossa (t_red) fornisce un contesto di rischio aggiuntivo.

La normalizzazione mediante l’intervallo interquartile (IQR) riduce l’influenza di outlier, garantendo che le distribuzioni asimmetriche non distorcano il confronto tra variabili con scale diverse. L’algoritmo CRITIC, nella sua versione migliorata, calcola il coefficiente di variazione basato sulla mediana (CV_med) per valutare la dispersione relativa, e utilizza la correlazione assoluta per quantificare la conflittualità tra criteri. Il peso w_i di ciascuna caratteristica i è definito come w_i = CV_med_i * (1 - |ρ_ij|), dove ρ_ij è la correlazione tra i e j. Questo approccio assegna maggiore importanza a variabili altamente variabili e poco correlate, riducendo la ridondanza informativa.

I valori propri della matrice di rischio, ottenuti come combinazione lineare pesata delle cinque feature, fungono da indicatori scalari di pericolosità. La successiva clusterizzazione K‑means, con k=4, sfrutta la minimizzazione della somma delle distanze quadrate intra‑cluster, garantendo gruppi coerenti. I coefficienti silhouette (0,60‑0,69) indicano una buona separazione, sebbene non perfetta, suggerendo che ulteriori feature (es. direzione di marcia, densità del traffico) potrebbero affinare la classificazione.

La validazione esperta, misurata con il Kappa di Fleiss (0,87), conferma l’affidabilità inter‑giudice del modello, superando la soglia di 0,75 tipicamente considerata “ottima”. In termini pratici, il framework può essere integrato in sistemi di gestione del traffico urbano, fornendo alert in tempo reale per aree ad alto rischio pedonale, e supportando la pianificazione di interventi infrastrutturali mirati.