Historicamente, a engenharia de tráfego operou sob um paradigma puramente reativo: intervenções geométricas, alterações semafóricas e investimentos em sinalização viária quase sempre dependiam do acúmulo trágico de estatísticas no boletim de ocorrência de sinistros. No entanto, com a consolidação global das diretrizes de Visão Zero e os avanços validados em pesquisas recentes do C2SMART da NYU Tandon, a detecção automatizada de quase-acidentes (near-misses) tornou-se a metodologia técnica definitiva para diagnosticar interseções perigosas antes que colisões fatais ocorram.
A transição da abordagem estatística retrospectiva para a análise preditiva é viabilizada pelo avanço dos algoritmos de visão computacional em sistemas inteligentes de transporte (ITS). Ao analisar fluxos de vídeo captados pela infraestrutura existente de CFTV, engenheiros viários e gestores públicos conseguem agora extrair trajetórias contínuas de veículos, pedestres e ciclistas em resolução submétrica e temporal a 30 quadros por segundo, quantificando com rigor matemático as interações no espaço viário compartilhado.
Fundamentos Metodológicos: As Métricas Substitutas de Segurança (SSM)
Na literatura técnica internacional e nas diretrizes preconizadas pela Federal Highway Administration (FHWA), o comportamento de risco não é medido por percepções subjetivas, mas por Indicadores Substitutos de Segurança (Surrogate Safety Measures – SSM). A pirâmide de segurança de Hydén postula que, para cada colisão grave registrada, ocorrem milhares de interações críticas imperceptíveis aos métodos tradicionais de auditoria manual.
A visão computacional permite calcular em tempo real índices físicos essenciais que caracterizam a proximidade espaçotemporal entre dois ou mais agentes da via:
- Time-to-Collision (TTC): Representa o intervalo de tempo restante até a colisão física entre dois usuários caso suas velocidades instantâneas e trajetórias projetadas sejam mantidas sem manobra evasiva. Valores inferiores a 1,5 segundos denotam risco iminente de colisão em ambientes urbanos.
- Post-Encroachment Time (PET): Mensura a diferença temporal entre a desocupação de uma determinada coordenada espacial por um primeiro veículo e a ocupação dessa exata coordenada por um segundo agente viário subsequente. O PET quantifica a margem de segurança efetiva em conversões à esquerda não protegidas e faixas de pedestre.
- Deceleration Rate to Avoid a Collision (DRAC): Avalia a taxa de desaceleração mínima requerida por um condutor para mitigar o impacto iminente contra um obstáculo ou pedestre em sua rota. Desacelerações requeridas superiores a 3,4 m/s² indicam frenagem brusca de emergência e instabilidade operacional.
- Distance of Stationary Target (DST): Distância espacial mínima registrada durante a trajetória paralela ou de entrelaçamento entre veículos contíguos e usuários vulneráveis.
Comparativo Técnico de Indicadores Substitutos de Segurança Viária
A correta parametrização desses indicadores define a severidade dos conflitos viários e fundamenta tecnicamente a tomada de decisão em projetos de readequação geométrica e reprogramação semafórica.
| Métrica (SSM) | Unidade | Limiar Crítico Típico | Foco Operacional | Modais Avaliados |
|---|---|---|---|---|
| Time-to-Collision (TTC) | Segundos (s) | < 1,5 s | Colisões traseiras e cruzamentos ortogonais | Veículos leves, pesados e motocicletas |
| Post-Encroachment Time (PET) | Segundos (s) | < 2,5 s | Conversões permitidas e zonas de conflito de pedestres | Automóveis, pedestres e ciclistas |
| Deceleration Rate to Avoid Crash (DRAC) | m/s² | > 3,4 m/s² | Frenagens evasivas em aproximações semafóricas | Todos os modais motorizados |
| Time Advantage (TAdv) | Segundos (s) | < 1,0 s | Prioridade de travessia em interseções não semaforizadas | Veículos em cruzamento perpendicular |
Da Telemetria de Trajetórias à Matriz Origem-Destino em Interseções
A mera detecção de bounding boxes é insuficiente para a engenharia de tráfego de precisão. O diferencial analítico reside no rastreamento contínuo multialvo (Multi-Object Tracking) associado à homografia computacional, técnica que mapeia coordenadas bidimensionais de pixels da câmera em coordenadas cartesianas reais do pavimento (X, Y métrico calibrado).
Com essa telemetria espacial contínua, a plataforma KipFlux constrói a matriz origem-destino de tráfego automatizada da interseção por faixas e movimentos específicos. Isso correlaciona o volume de manobras de conversão direta com a taxa de incidência de near-misses, isolando fatores causais específicos, tais como:
- Oclusão visual decorrente de pontos cegos de infraestrutura ou estacionamento irregular no raio de giro;
- Falta de tempo de intervalo (gap acceptance) em semáforos de duas fases que forçam conversões arriscadas contra fluxos opostos;
- Conflito recorrente entre pedestres na fase de travessia verde e veículos autorizados a conversão livre.
Proteção de Usuários Vulneráveis no Monitoramento de Mobilidade Ativa
Cidades comprometidas com a mobilidade sustentável enfrentam um déficit crítico de dados fidedignos em relação a ciclistas e pedestres. O monitoramento de mobilidade ativa automatizado por vídeo soluciona essa deficiência estrutural ao classificar microrredes de deslocamento ativo e diagnosticar a severidade do contato com o tráfego pesado.
Ao rastrear as curvas de velocidade de bicicletas em ciclovias segregadas versus faixas compartilhadas, os algoritmos registram a frequência em que a invasão de faixa veicular reduz o PET para valores inferiores a 1,0 segundo. Esse indicador subsidia laudos periciais e projetos de segregação física inquestionáveis perante órgãos de fiscalização e ministérios públicos.
Rigor Metodológico, Conformidade com a LGPD e Auditabilidade
A auditoria viária exige transparência e reprodutibilidade científica. Na KipFlux, cada evento classificado como quase-acidente gera um extrato de telemetria vetorial, permitindo que o engenheiro perito inspecione a curva de velocidade, o vetor direcional e os valores exatos de TTC e PET milissegundo a milissegundo.
Simultaneamente, toda a esteira de processamento opera em conformidade estrita com a Lei Geral de Proteção de Dados (LGPD). As imagens captadas por fluxos RTSP de câmeras municipais ou de consultoria passam por anonimização analítica nativa: apenas as coordenadas espaciais, dimensões volumétricas e classes funcionais dos modais são preservadas para os cálculos de engenharia, sem armazenamento de rostos ou caracteres alfanuméricos de placas veiculares.
Modernize o diagnóstico de segurança da sua malha viária, elimine gargalos com embasamento técnico e antecipe sinistros críticos com a inteligência artificial da KipFlux. Para saber como aplicar essa metodologia em seus projetos de mobilidade ou concessões rodoviárias, entre em contato para Agendar demonstração.
Perguntas Frequentes
O que são Indicadores Substitutos de Segurança (Surrogate Safety Measures)?
São métricas quantitativas de tráfego, como TTC e PET, que avaliam o grau de proximidade física e temporal entre veículos ou pedestres em situações de risco, permitindo medir o perigo de uma via sem depender do registro histórico de colisões.
Qual a diferença técnica entre Time-to-Collision (TTC) e Post-Encroachment Time (PET)?
O TTC é uma medida prospectiva que calcula em quantos segundos dois corpos colidirão caso mantenham velocidade e trajetória inalteradas. O PET é uma medida retrospectiva que calcula a fração de segundos decorrida entre a saída do primeiro usuário e a chegada do segundo ao mesmo ponto espacial.
Quais são os limiares críticos padrão para TTC e PET em cruzamentos urbanos?
A literatura técnica internacional adota limiares críticos de TTC inferiores a 1,5 segundos e de PET inferiores a 2,5 segundos para classificar uma manobra viária como conflito severo de tráfego ou quase-acidente.
É possível extrair a matriz origem-destino conjuntamente com os conflitos de tráfego?
Sim. Como a inteligência artificial com visão computacional rastreia cada veículo continuamente desde seu ponto de entrada até sua saída da cena, o sistema gera tanto as rotas de origem e destino da interseção quanto os pontos exatos onde cruzamentos de trajetórias geraram conflitos.
A análise automatizada de conflitos por câmeras municipais respeita a LGPD?
Sim. O processamento analítico da plataforma KipFlux utiliza técnicas de extração puramente cinemática e geométrica, descartando identificadores biométricos e dados pessoais sensíveis como faces ou caracteres de placas veiculares, garantindo conformidade nativa com a LGPD.