Insinöörit kehittävät rautatielle AI-varkauden havaitsemistyökalun

Rutgersin insinööritiimi on kehittänyt AI-käyttöisen työkalun, joka havaitsee rautatielle tunkeutumisen, mikä auttaa vähentämään kasvavaa määrää kuolemia, jotka ovat tapahtuneet viimeisen kymmenen vuoden aikana.

Uusi tutkimus on julkaistu Accident Analysis & Prevention -lehdessä.

Automaattinen tunkeutumisen havaitseminen AI:n avulla

Tiimiin kuului Asim Zaman, Rutgersin projekti-insinööri, ja Xiang Liu, liikenne-insinöörien apulaisprofessori Rutgersin insinööritieteellisessä tiedekunnassa. He kehittivät AI-tukeen kehyksen, joka havaitsee automaattisesti rautatielle tunkeutumistapahtumia. Se erottaa myös erilaisia rikkojia ja luo videoklippejä tapahtumista. AI-järjestelmä perustuu objektiivisen havaitsemisen algoritmiin, joka prosessoi videodataa yhteen tietokantaan.

“Tällä tiedolla voimme vastata moniin kysymyksiin, kuten mihin aikaan päivästä ihmiset tunkeutuvat useimmin ja käyvätkö he portin yli, kun se on tuleva tai menevä?”, Zaman sanoi.

Yhdysvalloissa on ollut jatkuvasti kasvava määrä rautatielle tunkeutumisondelmia viimeisten vuosien aikana, ja jokainen vuosi on näyttänyt satoja kuolleita. On tehty monia pyrkimyksiä vähentää näitä kuolemia, mutta mikään ei ole toiminut tähän asti.

Liittovaltion rautatiehallinto (FRA) arvioi vuonna 2008, että noin 500 ihmistä kuoli vuosittain rautatielle tunkeutumisissa. Luku kasvoi 855:een vuonna 2018 FRA:n mukaan.

Zaman ja Liu määrittelivät tutkimuksessaan, että tunkeutujat ovat valtuuttamattomia henkilöitä tai ajoneuvoja rautatielle tai liikenne-omaisuuteen, jota ei ole tarkoitettu julkiseen käyttöön, tai henkilöitä, jotka astuvat signaaloidulle tasoristeykselle, kun se on aktivoitu.

Aikaisemmat tutkimukset aiheesta ovat pääasiassa perustuneet uhrien tietoihin, mutta ne eivät ole ottaen huomioon lähesonnettomuuksia, joista Zaman ja Liu sanovat, että ne voivat antaa arvokkaita tietoja tunkeutumiskäyttäytymisestä. Tämä voi johtaa tehokkaampien valvontatoimien suunnitteluun.

Tutkijat testasivat teoriaansa videokuvaa käyttäen urbaanissa New Jerseyssä. Yksi ongelmista videojärjestelmissä risteyksissä on, että niitä ei katsota jatkuvasti, koska prosessi on työläs ja kallis.

AI:n koulutus

Zaman ja Liu kouluttivat AI- ja syväoppimistyökalun analysoimaan 1 632 tuntia arkistoidua videomateriaalia tutkimuspaikalta. 68 päivän seurannan jälkeen he löysivät 3 004 tapausta tunkeutumisesta, mikä keskimäärin 44 tapausta päivässä. He myös totesivat, että lähes 70 prosenttia tunkeutujista oli miehiä, ja noin kolmasosa tunkeutui ennen junan kulkuetta. Useimmat rikkomukset tapahtuivat lauantaisin kello 17.

Zamanin mukaan tällaista yksityiskohtaista tietoa voidaan käyttää paikallisten viranomaisten sijoittamiseen risteyksiin tunkeutumisten huippukausina tai se voidaan käyttää rautatieliikenteen omistajien ja päättäjien tiedoksi tehokkaampien risteysratkaisujen kehittämiseen. Nämä ratkaisut voivat sisältää risteyspoistojärjestelmiä tai edistyneitä portteja ja signaaleja.

“Jokainen rakastaa tietoja, ja sitä me tarjoamme”, Zaman sanoi.

“Halumme antaa rautatieliikenteelle ja päättäjille työkalut hyödyntämään videovallitsevan infrastruktuurin riskianalyysin heidän tietovirroissaan tiettyjen paikkojen osalta”, Liu lisäsi.

Tutkijat suorittavat myös tutkimuksia Virginian ja Pohjois-Carolinan osavaltioissa. He saivat äskettäin 583 000 dollarin avustuksen Yhdysvaltain liikenneministeriöltä laajentamiseen muihin osavaltioihin, mukaan lukien Connecticut, Louisiana ja Massachusetts.