Eventos de frenado brusco como indicador del riesgo de accidentes en tramos viales

• Se confirmó que los eventos de frenado brusco (HBE) muestran una correlación positiva estadísticamente significativa con la tasa real de accidentes en tramos viales
• Las estadísticas de accidentes reportados por la policía son un indicador escaso y con retraso, pero los HBE proporcionan datos continuos y de alta densidad
• Tras analizar 10 años de datos de California y Virginia, se observó que la cantidad de tramos viales donde se detectaron HBE fue 18 veces mayor que la de los tramos con accidentes reportados
• Mediante análisis de regresión, se demostró una correlación consistente entre la frecuencia de HBE y la tasa de accidentes incluso controlando variables como volumen de tráfico, tipo de vía, pendiente y cambios en el número de carriles
• Este estudio fue realizado por el equipo de Mobility AI de Google Research, que ya integra los datos de HBE en Roads Management Insights de Google Maps Platform para su uso en una gestión proactiva de la seguridad vial

---

Limitaciones de la evaluación tradicional de la seguridad vial

• La evaluación de la seguridad vial ha dependido tradicionalmente de las estadísticas de accidentes reportados por la policía
  • Estos datos se consideran el “gold standard” porque están directamente relacionados con muertes, lesiones y daños materiales
• Sin embargo, los datos de accidentes son un indicador escaso y con retraso, lo que limita el modelado predictivo
  • Los criterios de reporte varían según la región, y en algunas vías los accidentes solo ocurren una vez cada varios años
• Por ello, se necesita un “indicador adelantado” que ocurra con más frecuencia que los accidentes y que aun así se correlacione con la seguridad

Definición y uso de los eventos de frenado brusco (HBE)

• Un HBE se define como una maniobra evasiva que ocurre cuando la desaceleración longitudinal del vehículo es de -3 m/s² o más
• Los HBE se recopilan a partir de datos de vehículos conectados, por lo que tienen mayor escalabilidad que los indicadores basados en proximidad que requieren sensores fijos
• Los investigadores usaron datos de HBE anonimizados y agregados de la plataforma Android Auto y los combinaron con datos públicos de accidentes de Virginia y California para su análisis
• Como resultado, se confirmó una correlación positiva significativa entre la frecuencia de HBE y la tasa de accidentes en todos los niveles de severidad

Análisis de densidad de datos

• Al comparar 10 años de datos públicos de accidentes con datos de HBE, se encontró que la cantidad de tramos viales donde se observaron HBE fue 18 veces mayor que la de los tramos con accidentes reportados
• Mientras que en algunas zonas los datos de accidentes tardan años en registrar un solo evento, los HBE ofrecen un flujo de datos continuo y de alta densidad
• Esto ayuda a llenar los vacíos de datos en los mapas de seguridad vial

Validación estadística

• Los investigadores utilizaron un modelo de regresión binomial negativa (Negative Binomial Regression) para verificar la relación entre la frecuencia de HBE y la tasa de accidentes
  • Este método es el enfoque estándar usado en el Highway Safety Manual (HSM)
• El modelo controló factores de confusión como volumen de tráfico, longitud del tramo, tipo de vía, pendiente, presencia de rampas y cambios en el número de carriles
• Como resultado, se confirmó en ambos estados que cuanto mayor es la frecuencia de HBE en un tramo vial, mayor es la tasa de accidentes
• En particular, los tramos con rampas mostraron un mayor riesgo de accidentes en ambas regiones

Estudio de caso: tramo de incorporación de alto riesgo

• Se analizó el tramo de incorporación que conecta las autopistas 101 y 880 en California
  • La tasa de HBE en este tramo fue 70 veces mayor que el promedio de las autopistas, y se registró un accidente aproximadamente cada 6 semanas
• Según la frecuencia de HBE, este tramo se ubicó dentro del 1% superior, y pudo identificarse como zona de riesgo incluso sin contar con 10 años de registros de accidentes
• Esto demuestra que los HBE son un indicador sustituto confiable para detectar tempranamente tramos de alto riesgo sin necesidad de datos históricos extensos de accidentes

Aplicación real y expansión

• La validación de los HBE permite convertir los datos de sensores en una herramienta confiable de seguridad vial
• El equipo de Mobility AI de Google Research integró estos datos en Roads Management Insights de Google Maps Platform
  • Las agencias de transporte pueden usar datos anonimizados y de alta densidad para realizar evaluaciones de seguridad vial más rápidas y amplias
• Este enfoque permite identificar tramos de riesgo basándose en indicadores adelantados, sin depender de registros de accidentes

Próximas líneas de investigación

• Aunque se confirmó que los HBE son un fuerte indicador adelantado del riesgo de accidentes, el plan es refinar aún más la señal mediante reducción de la escasez de datos y agrupamiento espacial
• A futuro, el objetivo es avanzar hacia intervenciones concretas de infraestructura, como ajustes en la temporización de semáforos, mejoras en la señalización y cambios en el diseño de carriles de incorporación

Investigación conjunta y agradecimientos

• Este estudio fue realizado como un trabajo conjunto entre investigadores de Google y Virginia Tech
• Participaron en la investigación Shantanu Shahane, Shoshana Vasserman, Carolina Osorio, Yi-fan Chen, Ivan Kuznetsov, Kristin White, Justyna Swiatkowska y Feng Guo, entre otros
• Aurora Cheung, Andrew Stober, Reymund Dumlao y Nick Kan contribuyeron a la fase de aplicación práctica

[GN⁺]

Opiniones de Hacker News

• Usé un dongle de seguimiento de hábitos de manejo para el puerto OBD2 que me dio la aseguradora
  Al principio sonaba seguido la alerta de “frenado brusco” y no entendía por qué, pero al final me di cuenta de que ese dispositivo me había entrenado
  La causa no era la velocidad, sino la falta de distancia entre autos. Como iba demasiado pegado al auto de adelante, frenaba bruscamente con frecuencia
  Mientras tuve el dispositivo, de forma natural desarrollé el hábito de mantener distancia, y el viaje también se volvió más cómodo. La prima del seguro siguió igual, pero siento que la probabilidad de accidente sí bajó

  • En autopistas congestionadas es realmente difícil mantener una distancia de seguridad
    Si un auto se mete delante de ti, bajas la velocidad, y en ese hueco entra otro más… eso se repite durante todo el trayecto al trabajo
    En calles urbanas es distinto, pero el problema es la densidad en la autopista
  • A mí también me pasó que, justo después de comprar un auto nuevo, manejaba dejando más espacio de lo normal, y hubo un choque en cadena de cuatro autos justo enfrente
    Gracias a eso tuve tiempo suficiente para desacelerar y pude evitar el accidente
  • No solo reduce mi propia probabilidad de accidente, sino también la posibilidad de choques de varios vehículos que vienen detrás
    Después de ver este diagrama, cambió por completo mi forma de pensar sobre mantener distancia
  • Cuando era joven usé un dispositivo parecido, pero incluso con solo unos cuantos frenados bruscos casi no había descuento en el seguro
    Al final terminé arrepintiéndome de haber entregado mis datos de manejo
  • Me impresiona que comparta esta experiencia tan abiertamente. Me parece un buen ejemplo de autoconciencia y mejora

• La investigación sobre accidentes viales es muy valiosa, pero escasa
  Normalmente vemos los accidentes viales solo como culpa individual, mientras que en los accidentes de aviación se busca la causa sistémica
  Incluso los errores del piloto se analizan para entender por qué ocurrieron. En cambio, en las carreteras, aunque se repita el mismo accidente, el entorno sigue igual

  • En aviación se puede hacer análisis sistémico porque, en esencia, se filtra a la gente inexperta o descuidada
    En los accidentes viales, la mayoría de las veces la causa es una sola persona que rompe las reglas
  • También hay una diferencia de escala. Hay 100 mil vuelos al día y mil millones de trayectos en auto, así que inevitablemente habrá muchos más accidentes viales
    Aun así, la NTSB a veces también investiga accidentes automovilísticos desde una perspectiva sistémica

• Lo que aprendí tras viajar hora y media al día para ir y volver del trabajo es que es importante mantener la carretera suave, como un flujo laminar
  Un frenado brusco convierte energía en calor y genera una onda de caos que afecta incluso a los autos de atrás
  Por eso trato de ajustar la velocidad lo más suavemente posible

  • Pero algunos conductores creen que este tipo de “manejo suave” en realidad ralentiza el flujo del tráfico
    Piensan que solo ocupa espacio y reduce la velocidad general
  • Yo también manejo con esa idea. Sería de mucha ayuda que el auto mostrara la velocidad relativa respecto al vehículo de adelante
  • Este video muestra muy bien la reacción en cadena que se produce cuando la gente pisa el freno
    En la práctica, los embotellamientos surgen por la acumulación de pequeños errores
  • Claro que el frenado brusco genera una onda, pero creo que se exagera su impacto
    La capacidad máxima de la vía está determinada por la distancia entre autos (en tiempo). Si dejas 2 segundos, pasan 0.5 autos por segundo; si aumenta la distancia, baja la capacidad
  • Si miras lejos hacia adelante y detectas con anticipación que el tráfico se está comprimiendo para bajar gradualmente la velocidad, también ayudas a los autos que vienen detrás

• En la industria de seguros ya se sabe que el frenado brusco es un fuerte indicador de riesgo de accidente
  En Cambridge Mobile Telematics desarrollaron una app que emite un pitido cuando hay un frenado brusco mientras conduces. Solo con la alerta ya se puede generar un cambio de conducta

  • Es interesante que las aseguradoras vean el frenado brusco como una señal de riesgo del conductor, mientras que Google lo ve como una señal de riesgo del diseño vial
    La causa es distinta, pero en ambos casos puede aprovecharse
  • Mi mamá también instaló un dispositivo para obtener descuento en el seguro, y la mayoría de los frenados bruscos eran por maniobras peligrosas de otros autos
  • Me pregunto si una simple alerta realmente cambia la conducta. En la práctica, puede que los incentivos económicos sean un factor más fuerte
  • Me pregunto si reducir el frenado brusco mejora también los hábitos de manejo en general
    Al final, quizá lo esencial sea aprender hábitos de manejo defensivo en un sentido amplio
  • Pero también me pregunto si de verdad hace falta que un dispositivo te avise que frenaste bruscamente. La señal que sientes en el cuerpo ya es bastante clara

• Lo interesante de esta investigación de Google es que representa un cambio de datos centrados en el conductor a datos centrados en la infraestructura
  Es innovador ver el frenado brusco no como un indicador de riesgo individual, sino como un indicador de riesgo de la carretera

  • Algún día, cuando haya suficientes vehículos autónomos, parece que estos datos podrían servir para presionar al gobierno a mejorar las carreteras
  • Pero estaría bien que estos datos se ofrecieran como una capa pública en el mapa

• Sigo pensando que Google Maps es uno de los productos de big tech técnicamente más impresionantes que existen
  Puede obtener de los datos de usuarios insights no intuitivos como densidad de multitudes o riesgo vial

  • En este tipo de uso de datos, yo valoro el bien público por encima de la privacidad
    Me parece que Google es un buen ejemplo de uso responsable de los datos
  • Si estos datos se usaran en investigación abierta, el valor social sería enorme
    Empresas como Google ya han ganado suficiente dinero, así que ojalá abran los datos y aporten a la sociedad

• Hay quienes creen que esta investigación en realidad no aporta una idea nueva
  Por ejemplo, el cruce 880/101 en San Jose ya era señalado por la gente local como el peor intercambio vial
  El problema no es la falta de datos, sino las limitaciones físicas y administrativas
  Que Google llame a esto aprendizaje automático les parece más publicidad que otra cosa
  Artículo relacionado y enlaces a proveedores de datos existentes: Mercury News, TomTom, Inrix, StreetLight

  • Pero según el artículo, lo importante es que se pueden identificar zonas de riesgo antes de que ocurra un accidente
    Los datos de frenado brusco son mucho más abundantes e inmediatos que los accidentes
  • Estos datos también podrían usarse para la percepción de riesgo en vehículos autónomos
    Por ejemplo, para reconocer intersecciones donde suele haber restos de choques y hacer que el auto sea más cauteloso
  • Google y Apple ya están recolectando datos de casi todos los vehículos en EE. UU., así que podrían poner en aprietos a los proveedores existentes
  • Incluso habría margen de mejora si Caltrans simplemente bajara los límites de velocidad y aplicara diseños de calmado de tráfico
  • En la práctica, más que aprendizaje automático, esto no pasa de ser un análisis de correlación entre frenado brusco y tasa de accidentes

• Me intriga por qué los datos de autopistas de Virginia se ven distintos a los de otros estados
  Podría deberse a diferencias culturales o factores de política pública, o también a que los datos mismos estén mal representados

• Estaría bien que durante la conducción se mostrara en el HUD un mapa de calor de riesgo
  Normalmente en verde, y que cambie a rojo en las zonas peligrosas

  • El Waze de antes también mostraba peligros temporales (autos averiados, baches, etc.), y ahora Google Maps también lo hace
    Para riesgos fijos hace falta señalización física o mejoras en la vía
  • Si esa función se integrara en la navegación, creo que sería más útil que una alerta de cámaras de velocidad

• Si realmente existiera este mapa de indicadores de zonas de riesgo, sin duda lo usaría al manejar en lugares desconocidos
  En las rutas que frecuento ya sé dónde están las zonas peligrosas, pero en carreteras nuevas una pista visual ayudaría muchísimo