Resumen: La reconstrucción de colisiones de tráfico tradicionalmente se basa en la experiencia humana, lo que a menudo produce resultados inconsistentes cuando se analizan datos multimodales incompletos. Este estudio desarrolla un marco de IA de múltiples agentes que reconstruye escenarios previos al accidente e infiere el comportamiento de los vehículos a partir de datos de colisión fragmentados. Presentamos un marco colaborativo de dos fases que combina fases de reconstrucción y razonamiento. El sistema procesa 277 colisiones de desaceleración de vehículos delanteros (LVD) del sistema de muestreo de investigación de accidentes, integrando informes de accidentes textuales, datos tabulares estructurados y diagramas de escenas visuales. La Fase I genera reconstrucciones de accidentes en lenguaje natural a partir de entradas multimodales. La fase II realiza un razonamiento de choques en profundidad combinando estas reconstrucciones con el registrador de datos de eventos (EDR) temporal. Para la validación, lo aplicamos a todos los casos de LVD, enfocándonos en un subconjunto de 39 choques complejos donde múltiples registros EDR por colisión introdujeron ambigüedad (por ejemplo, debido a datos faltantes o contradictorios). La evaluación de los 39 casos de accidentes de LVD reveló que nuestro marco logró una precisión perfecta en todos los casos de prueba, identificando con éxito tanto el evento EDR más relevante como distinguiendo correctamente el golpe del golpe. vehículos, superando la precisión del 92% lograda por investigadores humanos en el mismo conjunto de datos desafiante. El sistema mantuvo un rendimiento sólido incluso al procesar datos incompletos, incluidos registros EDR faltantes o erróneos y diagramas de escenas ambiguos. Este estudio demuestra capacidades superiores de IA en el procesamiento de datos de colisiones heterogéneos, proporcionando una precisión sin precedentes en la reconstrucción de la dinámica del impacto y la caracterización de comportamientos previos al choque.
Publicado originalmente en export.arxiv.org el 17 de noviembre de 2025.
Ver fuente original
