Ingenieure entwickeln AI-gestütztes Werkzeug zur Erkennung von Eisenbahnübertretungen

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

Die neue Forschung 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-Universität, und Xiang Liu, einem Associate Professor für Verkehrstechnik an der Rutgers School of Engineering. Das Duo entwickelte einen AI-gestützten Rahmen, der automatisch Eisenbahnübertretungen erkennen kann. Es unterscheidet auch zwischen verschiedenen Arten von Übertretern und generiert Video-Ausschnitte der Vorfälle. Das AI-System basiert auf einem Objekterkennungsalgorithmus, der Video-Daten in eine einzige Datenbank verarbeitet.

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

In den Vereinigten Staaten ist es in den letzten Jahren zu einer kontinuierlichen Zunahme von Übertretungsunfällen auf Eisenbahnstrecken gekommen, bei denen jedes Jahr Hunderte von Menschen getötet werden. 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 Eisenbahnstrecken getötet wurden. Diese Zahl stieg im Jahr 2018 auf 855, laut FRA.

Zaman und Liu definierten in ihrer Forschung, dass Übertreter unbefugte Personen oder Fahrzeuge in einem Bereich von Eisenbahn- oder Transit-Eigentum sind, der nicht für die öffentliche Nutzung bestimmt ist, oder Personen, die ein signalisiertes Gleis kreuzen, nachdem es aktiviert wurde.

Frühere Forschungen in diesem Bereich haben sich hauptsächlich auf Daten aus Unfallberichten konzentriert, aber sie haben nicht die sogenannten “Beinahe-Unfälle” berücksichtigt, die Zaman und Liu als wertvolle Einblicke in das Übertretungsverhalten ansehen. Dies könnte zu der Entwicklung effektiverer 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-Systems

Zaman und Liu trainierten das AI-System und das 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 der Übertretungen vor dem Zug passierte. Die meisten Verstöße erfolgten am Samstag um 17 Uhr.

Laut Zaman könnten diese Art von detaillierten Daten von lokalen Behörden verwendet werden, um Polizisten in der Nähe von Übergängen während der Zeiten mit den häufigsten Verstößen zu stationieren, oder um Eisenbahnbesitzern und Entscheidungsträgern effektivere Übergangslösungen zu bieten. Diese Lösungen könnten Gleisübergangsbeseitigungssysteme oder fortschrittliche Tore und Signale umfassen.

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

“Wir möchten der Eisenbahnindustrie und den Entscheidungsträgern Werkzeuge an die Hand geben, um das ungenutzte Potenzial der Videosicherheitsinfrastruktur durch die Risikoanalyse ihrer Datenfeeds 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 in andere Bundesstaaten wie Connecticut, Louisiana und Massachusetts zu expandieren.