Μηχανικοί Δημιουργούν Εργαλείο Ανίχνευσης Παραβάσεων Σιδηροδρόμων με AI

Μια ομάδα μηχανικών στο Rutgers έχει αναπτύξει ένα εργαλείο που ενεργοποιείται από την τεχνητή νοημοσύνη και μπορεί να ανιχνεύσει παραβάσεις σε διαβάσεις σιδηροδρόμων, βοηθώντας στην μείωση του αυξανόμενου αριθμού των θανάτων που συμβαίνουν τα τελευταία δέκα χρόνια.

Η νέα έρευνα δημοσιεύθηκε στο περιοδικό Accident Analysis & Prevention.

Αυτόματη Ανίχνευση Παραβάσεων με AI

Η ομάδα αποτελούνταν από τον Asim Zaman, μηχανικό έργων στο Rutgers, και τον Xiang Liu, αναπληρωτή καθηγητή μηχανικής μεταφορών στη Σχολή Μηχανικής του Rutgers. Το ζευγάρι ανέπτυξε ένα πλαίσιο που βοηθούμενο από την τεχνητή νοημοσύνη ανιχνεύει αυτόματα τις παραβάσεις σε σιδηροδρόμους. Επίσης, διακρίνει τους τύπους των παραβατών και δημιουργεί βίντεο κλιπ των περιστατικών. Το σύστημα AI βασίζεται σε αλγόριθμο ανίχνευσης αντικειμένων για την επεξεργασία δεδομένων βίντεο σε ένα seul dataset.

«Με αυτές τις πληροφορίες μπορούμε να απαντήσουμε πολλά ερωτήματα, όπως ποια ώρα της ημέρας οι άνθρωποι παραβαίνουν περισσότερο και αν οι άνθρωποι περνούν γύρω από τις πύλες όταν κατεβαίνουν ή ανεβαίνουν;» είπε ο Zaman.

Υπήρχε μια συνεχής αύξηση των παραβάσεων σε σιδηροδρόμους στις Ηνωμένες Πολιτείες τα τελευταία χρόνια, με κάθε χρόνο να δείχνει εκατοντάδες ανθρώπους να σκοτώνονται. Υπήρξαν πολλές προσπάθειες για τη μείωση των θανάτων, αλλά τίποτα δεν έχει δουλέψει μέχρι τώρα.

Η Ομοσπονδιακή Υπηρεσία Σιδηροδρόμων (FRA) είχε εκτιμήσει το 2008 ότι περίπου 500 άνθρωποι σκοτώνονταν ετησίως παραβαίνοντας σε σιδηροδρόμους. Ο αριθμός αυτός αυξήθηκε σε 855 το 2018, σύμφωνα με την FRA.

Ο Zaman και ο Liu ορίστηκαν στην έρευνά τους ότι οι παραβάτες είναι μη εξουσιοδοτημένα άτομα ή οχήματα σε μια περιοχή σιδηροδρόμου ή ιδιοκτησίας μεταφοράς που δεν προορίζεται για δημόσια χρήση, ή άτομα που εισέρχονται σε μια σηματοδοτούμενη διαβάση μετά την ενεργοποίηση της.

Προηγούμενες έρευνες σε αυτόν τον τομέα έχουν κυρίως εμπλακεί με δεδομένα που προέρχονται από πληροφορίες θυμάτων, αλλά δεν λάμβαναν υπόψη τις gần-misses, τις οποίες ο Zaman και ο Liu λένε ότι μπορούν να παρέχουν πολύτιμες πληροφορίες για τη συμπεριφορά των παραβατών. Αυτό θα μπορούσε να οδηγήσει στον σχεδιασμό πιο αποτελεσματικών μέτρων ελέγχου.

Οι ερευνητές έ-tested την θεωρία τους με βίντεο που καταγράφηκαν σε μια διαβάση σε αστική Νιου Τζέρσεϊ. Ένα από τα προβλήματα με τα συστήματα βίντεο στις διαβάσεις είναι ότι δεν αναθεωρούνται συνεχώς λόγω της εργατικής και δαπανηρής διαδικασίας.

Εκπαίδευση του AI

Ο Zaman και ο Liu εκπαίδευσαν το AI και το εργαλείο deep-learning για να αναλύσουν 1.632 ώρες αρχειοθετημένου βίντεο από το σημείο της μελέτης. Μετά από 68 ημέρες παρακολούθησης, βρήκαν 3.004 περιπτώσεις παραβάσεων, που ισοδυναμούσαν με 44 την ημέρα. Επίσης, ανακάλυψαν ότι σχεδόν το 70% των παραβατών ήταν άνδρες και ότι περίπου το ένα τρίτο των παραβατών παραβίασαν πριν περάσει ο σιδηροδρομικός. Οι περισσότερες παραβάσεις συνέβησαν το Σάββατο γύρω στις 5 μ.μ.

Σύμφωνα με τον Zaman, αυτό το είδος λεπτομερών δεδομένων θα μπορούσε να χρησιμοποιηθεί από τις τοπικές αρχές για να τοποθετήσουν αστυνομικούς κοντά στις διαβάσεις κατά τις ώρες των παραβάσεων, ή θα μπορούσε να ενημερώσει τους ιδιοκτήτες σιδηροδρόμων και τους αποφασίζοντες για πιο αποτελεσματικές λύσεις διαβάσεων. Αυτά τα είδη λύσεων θα μπορούσαν να περιλαμβάνουν συστήματα εξάλειψης διαβάσεων ή προηγμένα πύλες και σήματα.

«Όλοι αγαπούν τα δεδομένα, και αυτό είναι αυτό που παρέχουμε», είπε ο Zaman.

«Θέλουμε να δώσουμε στη βιομηχανία σιδηροδρόμων και στους αποφασίζοντες εργαλεία για να εκμεταλλευτούν το ανεκμετάλλευτο δυναμικό της υποδομής επιτήρησης βίντεο μέσω της ανάλυσης του κινδύνου των δεδομένων τους σε συγκεκριμένες τοποθεσίες», πρόσθεσε ο Liu.

Οι ερευνητές διεξάγουν επίσης μελέτες στη Βιρτζίνια και τη Βόρεια Καρολίνα. Τους χορηγήθηκε πρόσφατα ένα έγκριτο grant των 583.000 δολαρίων από το Υπουργείο Μεταφορών των Ηνωμένων Πολιτειών για να επεκτείνουν σε άλλες πολιτείες, συμπεριλαμβανομένων του Κονέκτικατ, της Λουιζιάνας και της Μασαχουσέτης.