Μηχανικοί Δημιουργούν Εργαλείο Ανίχνευσης Παραβάσεων Σιδηροδρόμων με Τεχνητή Νοημοσύνη

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

Η νέα έρευνα δημοσιεύθηκε στο περιοδικό Accident Analysis & Prevention.

Αυτόματη Ανίχνευση Παραβάσεων με Τεχνητή Νοημοσύνη

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

«Με αυτές τις πληροφορίες μπορούμε να απαντήσουμε σε 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 περιστατικών παραβάσεων στις Ηνωμένες Πολιτείες τα τελευταία χρόνια, με κάθε χρόνο να βλέπει εκατοντάδες ανθρώπους να σκοτώνονται. Υπήρξαν πολλές προσπάθειες để μειώσουν αυτούς τους θανάτους, αλλά τίποτα δεν έχει δουλέψει μέχρι τώρα.

Η Ομοσπονδιακή Υπηρεσία Σιδηροδρόμων (FRA) εκτίμησε το 2008 ότι περίπου 500 άνθρωποι σκοτώθηκαν ετησίως παραβαίνοντας σιδηροδρόμους. Αυτός ο αριθμός αυξήθηκε σε 855 το 2018, σύμφωνα με το 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 αυτήν την περιοχή έχουν κυρίως εμπλακεί με δεδομένα που προέρχονται από πληροφορίες θυμάτων, αλλά δεν έλαβαν υπόψη τα στενά χτυπήματα, τα οποία ο Zaman και ο Liu λένε ότι μπορούν να παρέχουν πολύτιμες πληροφορίες σχετικά με την συμπεριφορά παραβάσεων. Αυτό θα μπορούσε να οδηγήσει στο σχεδιασμό πιο αποτελεσματικών μέτρων ελέγχου.

Οι ερευνητές ε-tested την θεωρία τους με βίντεο που καταγράφηκαν σε μια διαβάση στην αστική Νέα Ιερσέα. Ένα από τα προβλήματα με τα συστήματα βίντεο στις διαβάσεις είναι ότι δεν αναθεωρούνται συνεχώς λόγω της διαδικασίας που είναι εργατική και ακριβή.

Εκπαίδευση της Τεχνητής Νοημοσύνης

Ο Zaman και ο Liu εκπαίδευσαν την τεχνητή νοημοσύνη και το εργαλείο deep-learning να αναλύσουν 1.632 ώρες αρχειοθετημένου βίντεο από τον χώρο 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 περίπου ένα τρίτο παραβίασαν πριν περάσει ο σιδηρόδρομος. Οι περισσότερες παραβάσεις έλαβαν χώρα το Σάββατο γύρω στις 5 μ.μ.

Σύμφωνα με τον Zaman, αυτό το είδος λεπτομερούς δεδομένων θα μπορούσε να χρησιμοποιηθεί από τις τοπικές αρχές για να τοποθετήσουν αστυνομικούς κοντά στις διαβάσεις κατά τις ώρες των κορυφαίων παραβάσεων, ή θα μπορούσε να βοηθήσει τους ιδιοκτήτες σιδηροδρόμων και τους αποφασίζοντες να ενημερωθούν για πιο αποτελεσματικές λύσεις διαβάσεων. Αυτού του είδους οι λύσεις θα μπορούσαν να περιλαμβάνουν συστήματα εξάλειψης διαβάσεων ή προηγμένα πύλες και σήματα.

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

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

Οι ερευνητές διεξάγουν επίσης μελέτες στη Βιρτζίνια και την Βόρεια Καρολίνα. Τον τελευταίο καιρό έλαβαν μια χορηγία 583.000 δολαρίων από το Υπουργείο Μεταφορών των Ηνωμένων Πολιτειών για να επεκτείνουν σε άλλες πολιτείες, συμπεριλαμβανομένων του Κονέκτικατ, της Λουιζιάνας και της Μασαχουσέτης.