Ingeniører udvikler AI-værktøj til at opdage trespassing på jernbanekryds

Et hold ingeniører fra Rutgers har udviklet et AI-drevet værktøj, der kan opdage trespassing på jernbanekryds, hvilket hjælper med at reducere det stigende antal dødsfald, der har fundet sted over de seneste ti år.

Den nye forskning er offentliggjort i tidsskriftet Accident Analysis & Prevention.

Automatisk opdaging af trespassing med AI

Holdet bestod af Asim Zaman, en projektingeniør fra Rutgers, og Xiang Liu, en associeret professor i transportingeniørvidenskab ved Rutgers School of Engineering. Duoen udviklede en AI-baseret ramme, der automatisk kan opdage jernbanetrespassing-hændelser. Den kan også skelne mellem forskellige typer overtrædelser og generere videooptagelser af hændelserne. AI-systemet er baseret på et objektgenkendelsesalgoritme, der kan behandle videooptagelser i ét dataset.

“Med denne information kan vi besvare mange spørgsmål, som f.eks. hvilken tid på dagen mennesker mest trespasser, og om mennesker går rundt om portene, når de er på vej ned eller op?” sagde Zaman.

Der har været en konstant stigning i antallet af trespassing-ulykker i USA over de seneste få år, med hundredvis af mennesker, der bliver dræbt hvert år. Der har været mange bestræbelser på at reducere disse dødsfald, men intet har virket endnu.

Den føderale jernbaneadministration (FRA) estimerede i 2008, at omkring 500 mennesker blev dræbt årligt ved at trespassere på jernbaner. Det tal steg til 855 i 2018 ifølge FRA.

Zaman og Liu definerede i deres forskning, at trespassere er uautoriserede personer eller køretøjer i et område af jernbane eller offentlig ejendom, der ikke er tiltænkt offentlig brug, eller personer, der går ind i et signaliseret jernbanekryds efter det er blevet aktiveret.

Tidligere forskning på dette område har primært involveret data, der er afledt fra ulykkesinformation, men det har ikke taget hensyn til nær-misses, som Zaman og Liu siger kan give værdifulde indsigt i trespassing-adfærd. Dette kan føre til design af mere effektive kontrolforanstaltninger.

Forskerne testede deres teori med videooptagelser fra et jernbanekryds i New Jersey. Et af problemerne med videosystemer ved jernbanekryds er, at de ikke konsekvent gennemgås på grund af den tidskrævende og dyre proces.

Træning af AI

Zaman og Liu trænede AI og deep-learning-værktøjet til at analysere 1.632 timers arkivvideooptagelser fra studieområdet. Efter 68 dages overvågning fandt de 3.004 tilfælde af trespassing, hvilket svarede til 44 om dagen. De fandt også ud af, at næsten 70 procent af trespasserne var mænd, og omkring en tredjedel trespassede før toget passerede. De fleste overtrædelser fandt sted på lørdage omkring kl. 17.

Ifølge Zaman kan denne type detaljeret data bruges af lokale myndigheder til at placere politibetjente nær jernbanekryds under de tider, hvor overtrædelserne er hyppigst, eller det kan hjælpe jernbaneejere og beslutningstagerne med at finde mere effektive løsninger til jernbanekryds. Disse løsninger kan inkludere systemer til at fjerne jernbanekryds eller avancerede porte og signaler.

“Alle elsker data, og det er, hvad vi tilbyder,” sagde Zaman.

“Vi vil give jernbaneindustrien og beslutningstagerne værktøjer til at udnytte det uudnyttede potentiale i videoovervågningsinfrastruktur gennem risikoanalyse af deres datafeeds i bestemte lokaliteter,” tilføjede Liu.

Forskerne udfører også studier i Virginia og North Carolina. De har nylig modtaget en bevilling på 583.000 dollars fra det amerikanske transportministerium til at udvide til andre stater, herunder Connecticut, Louisiana og Massachusetts.