Ingenieure entwickeln AI-Werkzeug zur Erkennung von Eisenbahnübertretungen

Ein Team von Ingenieuren an der Rutgers hat ein AI-gestütztes Werkzeug entwickelt, das Übertretungen an Eisenbahnübergängen erkennen kann, um die zunehmende Anzahl von Todesfällen in den letzten zehn Jahren zu reduzieren. 

Die neue Studie wurde im Journal Accident Analysis & Prevention veröffentlicht. 

Automatische Erkennung von Übertretungen mit AI

Das Team bestand aus Asim Zaman, einem Projekt-Ingenieur an der Rutgers, und Xiang Liu, einem Associate Professor für Verkehrstechnik an der Rutgers School of Engineering. Das Duo entwickelte einen AI-gestützten Rahmen, der Eisenbahnübertretungen automatisch erkennen kann. Es unterscheidet auch Arten von Verletzern und generiert Video-Ausschnitte der Vorfälle. Das AI-System verlässt sich auf einen Objekterkennungsalgorithmus, um Video-Daten in eine einzige Datenmenge zu verarbeiten. 

“Mit diesen Informationen können wir zahlreiche Fragen beantworten, wie zum Beispiel, zu welcher Tageszeit die Menschen am häufigsten Übertretungen begehen und ob Menschen um die Tore herumgehen, wenn sie sich öffnen oder schließen?”, sagte Zaman.

Es gab in den Vereinigten Staaten in den letzten Jahren einen konstanten Anstieg bei Übertretungsunfällen, bei denen jedes Jahr Hunderte von Menschen getötet wurden. Es gab viele Bemühungen, diese Todesfälle zu reduzieren, aber bisher hat nichts funktioniert. 

Die Federal Railroad Administration (FRA) schätzte im Jahr 2008, dass etwa 500 Menschen jährlich durch Übertretungen auf Eisenbahnrechten getötet wurden. Diese Zahl stieg im Jahr 2018 auf 855, laut FRA. 

Zaman und Liu definierten in ihrer Studie, dass Übertreter unbefugte Personen oder Fahrzeuge in einem Bereich des Eisenbahn- oder Transit-Eigentums sind, das nicht für die öffentliche Nutzung bestimmt ist, oder Personen, die ein signalisiertes Gleis nach dessen Aktivierung betreten. 

Frühere Forschungen in diesem Bereich haben hauptsächlich Daten aus Verletzungsinformationen verwendet, aber sie haben nicht die Nahe-Verfehlungen berücksichtigt, die Zaman und Liu sagen, wertvolle Einblicke in das Übertretungsverhalten liefern können. Dies könnte zu der Entwicklung wirksamerer Kontrollmaßnahmen führen. 

Die Forscher testeten ihre Theorie mit Video-Aufnahmen, die an einem Übergang in New Jersey aufgenommen wurden. Eines der Probleme mit Videosystemen an Übergängen ist, dass sie nicht konsistent überprüft werden, da der Prozess arbeitsintensiv und teuer ist. 

Trainieren des AI

Zaman und Liu trainierten das AI- und Deep-Learning-Tool, um 1.632 Stunden Archiv-Video-Aufnahmen von der Studienstelle zu analysieren. Nach 68 Tagen der Überwachung fanden sie 3.004 Fälle von Übertretungen, was einem Durchschnitt von 44 pro Tag entspricht. Sie entdeckten auch, dass fast 70 Prozent der Übertreter Männer waren und etwa ein Drittel vor dem Zugüberqueren übertreten. Die meisten Verstöße fanden am Samstag um 17 Uhr statt. 

Laut Zaman kann diese Art von detaillierten Daten von lokalen Behörden verwendet werden, um Polizisten in der Nähe von Übergängen während der Spitzenzeiten der Verstöße zu platzieren, oder es kann helfen, Eisenbahnbesitzern und Entscheidungsträgern wirksamere Übergangslösungen zu informieren. Diese Arten von Lösungen könnten Gleisübergangs-Eliminierungssysteme oder fortschrittliche Tore und Signale umfassen. 

“Jeder liebt Daten, und das ist es, was wir liefern”, sagte Zaman.

“Wir möchten der Eisenbahnindustrie und den Entscheidungsträgern Werkzeuge an die Hand geben, um das ungenutzte Potenzial der Video-Überwachungs-Infrastruktur durch die Risikoanalyse ihrer Daten-Feeds an bestimmten Orten zu nutzen”, fügte Liu hinzu. 

Die Forscher führen auch Studien in Virginia und North Carolina durch. Sie erhielten kürzlich einen Zuschuss von 583.000 US-Dollar vom US-Verkehrsministerium, um auf andere Bundesstaaten wie Connecticut, Louisiana und Massachusetts auszuweiten.