Het aantal verkeersongevallen wil maar niet zakken. Het is lastig daar de vinger achter te krijgen: goede data over verkeersrisico’s zijn schaars – en dat werkt speculeren en paniekmaatregelen in de hand. Hoe pakken we die dataleemte aan? Michael Dubbelman en Luuk van der Weide wijzen in hun bijdrage op de mogelijkheden van slimme sensoren.
De fatbike is vanwege zijn snelheid, comfort en, laten we eerlijk zijn, ‘coole’ uiterlijk, enorm populair. Die populariteit heeft echter ook z’n keerzijde. Er rijden er inmiddels zoveel rond op onze toch al drukke wegen en fietspaden, en ze gaan vaak zo snel, dat veel mensen een gevoel van verkeersonveiligheid bekruipt. Berichten in de media over de toename van fatbike-ongevallen, vaak met jonge slachtoffers, heeft dat gevoel alleen maar vergroot.
Het fenomeen fatbike verdient dus zonder meer onze aandacht. Niet voor niets werken artsen sinds kort samen met VeiligheidNL om ernstige ongevallen met fatbikes te registreren en het probleem in kaart te brengen. De vraag is echter of we met die focus op fatbikes ons beeld van verkeersonveiligheid niet te veel vernauwen. In 2008 bleek dat Amsterdamse jongeren minder fietsen mede vanwege het drukke verkeer en de risico’s die dat met zich meebrengt. Ruim 40% van de brugklaskinderen gaf toen aan een of meer keren van de fiets te zijn gevallen. Let wel, dat was in 2008: ruim voor de ‘fatbike-explosie’.
De vraag is of we met die focus op fatbikes ons beeld van verkeersonveiligheid niet te veel vernauwen.
Dat roept de vraag op hoe groot de risico’s rond fatbikes nu echt zijn. En hoe zit het met elektrische fietsen en bakfietsen, die vaak net zo makkelijk worden aangemerkt als gevaarlijk? Wat is de werkelijke impact van deze vervoermiddelen op de verkeersveiligheid? Zijn er wellicht andere, onderliggende problemen? En kunnen we niet op z’n minst ook de mogelijke voordelen van deze nieuwe fietsvormen meewegen? Stel dat ouderen langer mobiel kunnen blijven, jongeren de brommer of scooter verruilen voor een elektrische fiets en mensen met een migratieachtergrond meer gaan fietsen. Brengt dat dan niet ook gezondheidsvoordelen met zich mee?
Het zou dus om meerdere redenen goed zijn als we een paar stappen terug doen en met een onbevangen blik naar risico’s in het verkeer kijken. Onbevangen in de zin van niet ‘auto-centrisch’, niet ‘vroeger was het beter’, maar gewoon open, eerlijk en objectief. Dat vereist wetenschappelijk onderzoek, enige afstand tot het onderwerp en een gezond wantrouwen, maar eerst en vooral data en feiten.
En bij dat laatste stuiten we op een probleem. Vaak zijn alleen gegevens van ongelukken, ziekenhuisopnames of klachten van inwoners beschikbaar – en die vormen een wat smalle basis voor een goede verkeersveiligheidsanalyse. Hoe kunnen we die databasis vergroten?
Meetbare verkeersveiligheid
Eén mogelijkheid is om ook te kijken naar ‘bijna-ongevallen’, situaties waarbij een ongeluk door ingrijpen van een verkeersdeelnemer is voorkomen. Deze near misses gebeuren in de regel veel vaker dan echte ongevallen en geven daarmee een vollediger beeld van de verkeersveiligheid.
Qua methodiek is er ook al een interessante aanpak voor onderzoek naar bijna-ongevallen, namelijk de DOCTOR-methode uit 1986: Dutch Objective Conflict Technique for Operation and Research.1Zie Handleiding Voor de Conflictobservatietechniek Doctor, J.H. Kraay et al. Stichting Wetenschappelijk Onderzoek Verkeersveiligheid (SWOV), 1986. De methode is ontwikkeld door TNO en SWOV. Deze aanpak sluit perfect aan bij de gewenste onbevangen blik, maar vereist wel een update. De methode gaat namelijk uit van speciaal opgeleide observatoren die bijna-ongevallen classificeren en tellen – een dure en moeilijk schaalbare oplossing. Zouden we die menselijke observatoren niet kunnen vervangen door slimme sensoren?
Met die vraag in gedachten zijn we als Universiteit Twente en Technolution aan de slag gegaan. We hebben DOCTOR als uitgangspunt genomen en de intelligente verkeerssensor FlowCube als onze ‘ogen ‘ gebruikt. Het is uiteindelijk gelukt een systeem te ontwikkelen dat bijna-ongevallen automatisch detecteert.
Machine learning
De intelligente sensor van ons systeem is een edge device uitgerust met een beeldsensor en AI-geoptimaliseerde hardware. Het ‘oog’ wordt zo gepositioneerd en gekalibreerd dat het de verkeerssituatie min of meer van boven monitort. Een multi-object tracking-algoritme in combinatie met een machine learning-model herkent en classificeert meerdere keren per seconde verkeersdeelnemers. Met die input reconstrueert het systeem een bovenaanzicht van de verkeerssituatie ter plaatse. Door vervolgens beelden van meerdere sensoren aan elkaar te koppelen, kunnen we nauwkeurig snelheid, oriëntatie en positie van verkeersdeelnemers op bijvoorbeeld een straat of fietspad bepalen. Met indicatoren als time to collision, de tijd tot een mogelijke botsing bij de huidige snelheid, pikken we bijna-ongelukken uit de data – en maken we verkeersveiligheid objectief en ‘meetbaar’.
Met indicatoren als ’time to collision’, de tijd tot een mogelijke botsing bij de huidige snelheid, pikken we bijna-ongelukken uit de data – en maken we verkeersveiligheid objectief en ‘meetbaar’.
Infrastructuur en privacy
Dat klinkt hightech en dat is het ook. Toch is het sensorsysteem eenvoudig te installeren: het kan op bestaande infrastructuur worden aangesloten, zoals lantaarnpalen of verkeerslichten. Voor communicatie wordt het mobiele netwerk gebruikt, dus ook dat vereist geen bijzondere aanpassingen. Dit maakt de installatie laagdrempelig en betaalbaar.
Belangrijk is verder dat de privacy goed geregeld is. Doordat het een edge device is, kan alle beeldverwerking lokaal en daarmee aantoonbaar privacyvriendelijk plaatsvinden. Natuurlijk moeten voor evaluatiedoeleinde bepaalde situaties – de bijna-botsingen – worden bewaard, maar dat gebeurt als lage-resolutie beelden: die bevatten voldoende informatie om de veiligheidssituatie te bestuderen, maar laten geen persoonlijke details zien.
Lessen
We hebben in drie proefprojecten met het nieuwe sensorsysteem gewerkt. Die hebben ons geleerd dat we bijna-ongevallen in vijf stappen kunnen detecteren en classificeren.
Stap 1 is het detecteren van de objecten. In stap 2 maken we een schatting van de positie van de gedetecteerde objecten in de openbare ruimte. Beschikken we over meerdere sensoren, dan leggen we in stap 3 een verband tussen de data van de afzonderlijke sensoren om zo de nauwkeurigheid van de positionering te verhogen. In stap 4 schatten we vervolgens de afmetingen van de objecten. Zo krijgen we een 3D-beeld van de verkeerssituatie. Met dit beeld doen we in stap 5 de detectie en classificatie van bijna-ongevallen: is het een fiets-auto-incident, busje-auto-incident, fiets-fiets-incident? Enzovoort.
Van elk gedetecteerd incident maakt het systeem een animatie (bovenaanzicht) die precies laat zien wat er is gebeurd. De sensor is dus geen ‘black box’, maar een transparant en controleerbaar hulpmiddel voor het inschatten en evalueren van verkeersveiligheidsrisico’s.
Onbevangen
Terug naar het probleem van de fatbikes. Hoe zouden we de beschreven aanpak met sensoren kunnen gebruiken om met een onbevangen blik naar de risico’s van dat vervoermiddel te kijken?
Dankzij machine learning kan het systeem objecten herkennen en classificeren. Personenauto’s, ov-bussen, schoolbussen, vrachtauto’s, motorrijders, fietsers en voetgangers worden goed herkend, maar door hun afwijkende uiterlijke kenmerken ook fatbikes en bakfietsen. We kunnen zo gemakkelijk statistieken samenstellen over snelheid, aantallen en routes van de verschillende vervoermiddelen.
Het gericht monitoren van verkeerssituaties met en rondom fatbikes zal dan ook interessante, feitelijke inzichten bieden. Welk gedrag vertonen de weggebruikers? Met wat voor snelheden wordt er gereden? Waar en hoe vaak doen zich bijna-ongevallen voor? Of nadat er maatregelen zijn getroffen, zoals het verbieden van opvoersetjes: hebben die effect?
De open blik wordt verder vergroot doordat ook bijna-ongevallen die niets met fatbikes te maken hebben, worden ‘gezien’. Zo kunnen we vaststellen hoe de fatbikerisico’s zich verhouden tot risico’s van auto’s, brommers, bakfietsen, gewone fietsen en overstekende voetgangers. Fatbikes worden zo niet langer alleen als toedracht, maar ook als ongewild betrokkene in een gevaarlijke situatie herkend.
Mooi is verder dat we door het combineren van gegevens van meerdere kruispunten verkeersstromen kunnen monitoren. Dit levert waardevolle informatie op over de verkeersdrukte, rijrichtingen en knelpunten, oftewel de context waarbinnen bijna-ongevallen optreden. Zo hoeven we niet af te gaan op vermoedens en ergernissen, maar kunnen we ons onbevangen houden bij de feiten.
_____
De auteurs
Michael Dubbeldam is senior architect bij Technolution en verantwoordelijk voor Vision AI.
Luuk van der Weide is machine learning engineer bij Technolution. Ten tijde van het onderzoek was hij verbonden met Universiteit Twente.
