Inženýři vytvořili nástroj pro detekci vstupu na železniční tratě s využitím AI

Tým inženýrů z Rutgersu vyvinul nástroj s využitím umělé inteligence, který může detekovat vstup na železniční tratě, a tím pomoci snížit počet úmrtí, ke kterým dochází na tratích v posledních deseti letech.

Nový výzkum byl zveřejněn v časopise Accident Analysis & Prevention.

Automatická detekce vstupu na tratě s využitím AI

Tým se skládal z Asima Zamana, inženýra projektu Rutgers, a Xiang Liu, asociálního profesora dopravního inženýrství na Rutgers School of Engineering. Společně vyvinuli rámec s využitím umělé inteligence, který automaticky detekuje vstup na tratě. Rámec také rozlišuje typy porušovatelů a generuje videozáznamy těchto incidentů. Systém AI se spoléhá na algoritmus detekce objektů pro zpracování videa do jediného datového souboru.

„S těmito informacemi můžeme zodpovědět řadu otázek, jako je například, v jakou dobu dne lidé nejčastěji vstupují na tratě, a zda lidé obcházejí brány, když se zavírají nebo otevírají?“ řekl Zaman.

V Spojených státech došlo v posledních letech k trvalému nárůstu počtu vstupů na tratě, přičemž každý rok zemřely stovky lidí. Byly učiněny různé pokusy o snížení počtu těchto úmrtí, ale dosud žádný z nich nebyl úspěšný.

Federální železniční správa (FRA) odhadla v roce 2008, že kolem 500 lidí ročně zemřelo při vstupu na tratě. Tento počet se zvýšil na 855 v roce 2018, podle FRA.

Zaman a Liu definovali ve svém výzkumu, že vstup na tratě znamená neoprávněné osoby nebo vozidla v oblasti železniční nebo dopravní nemovitosti, která není určena pro veřejnou dopravu, nebo osoby, které vstoupí do signalizované úrovňové křižovatky po jejím aktivování.

Předchozí výzkumy v této oblasti se většinou zaměřovaly na data získaná z informací o obětech, ale nezohledňovaly blízké případy, které podle Zamana a Liu mohou poskytnout cenné informace o chování při vstupu na tratě. To by mohlo vést k návrhu účinnějších kontrolních opatření.

Výzkumníci otestovali svou teorii pomocí videozáznamů pořízených na křižovatce v městském New Jersey. Jedním z problémů s video systémy na křižovatkách je, že nejsou pravidelně přehrávané kvůli tomu, že proces je náročný a drahý.

Školení AI

Zaman a Liu školovali AI a nástroj hlubokého učení k analýze 1 632 hodin archivovaných videozáznamů ze studijního místa. Po 68 dnech monitorování našli 3 004 případů vstupu na tratě, což představuje průměrně 44 případů denně. Také zjistili, že téměř 70 procent vstupujících byli muži a kolem jedné třetiny vstupujících na tratě předtím, než projel vlak. Většina porušení se odehrála v sobotu kolem 17. hodiny.

Podle Zamana by tento typ podrobných dat mohl být použit místními úřady k umístění policistů poblíž křižovatek v době největšího počtu porušení, nebo by mohl informovat majitele železnic a rozhodující osoby o účinnějších řešeních křižovatek. Tato řešení by mohla zahrnovat systémy pro odstranění úrovňových křižovatek nebo pokročilé brány a signály.

„Každý miluje data, a to je to, co poskytujeme,“ řekl Zaman.

„Chceme poskytnout železničnímu průmyslu a rozhodujícím osobám nástroje pro využití nevyužitého potenciálu infrastruktury video dohledu prostřednictvím analýzy rizik jejich datových toků ve specifických lokalitách,“ dodal Liu.

Výzkumníci také provádějí studie ve Virginii a Severní Karolíně. Nedávno obdrželi grant ve výši 583 000 dolarů od ministerstva dopravy Spojených států na rozšíření do dalších států, včetně Connecticutu, Louisiany a Massachusetts.