Contexto da pesquisa
Um estudo recente da Singapore University of Technology and Design (SUTD) explora a intersecção entre machine learning e design urbano. Pesquisadores investigam como modelos generativos podem otimizar redes urbanas para atender tanto pedestres quanto veículos, desafiando a noção comum de que investimentos em infraestrutura para pedestres comprometem a acessibilidade rodoviária.
Método proposto
A equipe de pesquisadores introduziu um modelo generativo que simultaneamente gera redes separadas para veículos e pedestres. Com base em um site de 100 hectares em Cingapura, o estudo avaliou mais de 3.000 designs, utilizando um modelo generativo multiobjetivo que considera variáveis como acessibilidade, número de faixas de pedestres e eficiência em uso de recursos. Este método possibilita uma otimização mais rápida e eficiente em comparação com abordagens tradicionais de planejamento urbano.
“Estamos saindo do planejamento urbano centrado em carros e dando ênfase ao bem-estar público”
(“We’re moving away from car-centric urban planning and placing greater emphasis on public well-being.”)— F. Peter Ortner, Assistant Professor, SUTD
Resultados e impacto
Os resultados desafiaram a suposição de que melhorias na infraestrutura para pedestres precisam sacrificar a acessibilidade para veículos. O modelo demonstrou que layouts bem equilibrados podem melhorar o acesso a transeuntes sem comprometer drasticamente o tráfego rodoviário. Além disso, as designs geradas mostraram rotas de caminhada mais diretas e melhor separação entre calçadas e tráfego, aumentando o conforto e a segurança dos cidadãos.
“Em muitas situações, a expansão das vias para veículos beneficia as redes de pedestres, já que incluem calçadas.”
(“In fact, pedestrian networks often benefit from the expansion of vehicular roads because these typically include pavements.”)— Song Peng, Assistant Professor, SUTD
As descobertas destacam que enquanto os designs eficientes em recursos podem reduzir custos, nem sempre oferecem a experiência de caminhada mais agradável. O modelo também permite que planejadores explorem uma gama de soluções otimizadas, enfatizando a importância da análise quantitativa nas decisões de design.
A pesquisa conta com potenciais aplicações em ambientes urbanos diversos, podendo adaptar variáveis como acessibilidade e conforto térmico, ampliando a relevância do design urbano assistido por IA. Futuros desenvolvimentos poderão integrar mais fatores do mundo real, promovendo um planejamento urbano mais inclusivo.
Fonte: (TechXplore – Machine Learning & AI)
