Insinöörit kehittävät tekoälytyökalun havaitsemaan luvattoman kulun rautateillä

Rutgersin insinööritiimi on kehittänyt tekoälyä hyödyntävän työkalun, joka havaitsee luvattoman kulun tasoristeyksissä, 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, liikennetekniikan apulaisprofessori Rutgersin insinööritieteellisessä tiedekunnassa. He kehittivät tekoälyavusteisen järjestelmäkehyksen, joka havaitsee automaattisesti rautatielle tunkeutumistapahtumia. Se erottaa myös erilaisia rikkojia ja luo videoklippejä tapahtumista. AI-järjestelmä perustuu kohteentunnistusalgoritmiin, joka prosessoi videodataa yhdeksi tietoaineistoksi.

“Tällä tiedolla voimme vastata moniin kysymyksiin, kuten mihin aikaan päivästä ihmiset tunkeutuvat useimmin ja kiertävätkö he puomit niiden laskeutuessa tai noustessa?”, Zaman sanoi.

Yhdysvalloissa on ollut jatkuvasti kasvava määrä rautatielle luvattomasti menemiseen liittyviä onnettomuuksia viimeisten vuosien aikana, ja joka vuosi on kuollut satoja ihmisiä. 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 luvattomasti rautatie- tai joukkoliikennealueella olevia henkilöitä tai ajoneuvoja, jota ei ole tarkoitettu julkiseen käyttöön, tai henkilöitä, jotka menevät liikennevaloilla varustettuun tasoristeykseen sen varoitusjärjestelmän aktivoiduttua.

Aikaisemmat tutkimukset aiheesta ovat pääasiassa perustuneet uhrien tietoihin, mutta niissä ei ole otettu huomioon läheltä piti -tilanteita, joista Zaman ja Liu sanovat, että ne voivat antaa arvokkaita tietoja tunkeutumiskäyttäytymisestä. Tämä voi johtaa tehokkaampien valvontatoimien suunnitteluun.

Tutkijat testasivat teoriaansa New Jerseyn kaupunkialueella sijaitsevassa tasoristeyksessä kuvattua videomateriaalia käyttäen. 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 arkistoitua videomateriaalia tutkimuspaikalta. 68 päivän seurannan jälkeen he löysivät 3 004 tapausta tunkeutumisesta, eli keskimäärin 44 tapausta päivässä. He myös totesivat, että lähes 70 prosenttia tunkeutujista oli miehiä, ja noin kolmasosa tunkeutui ennen junan ohitusta. Useimmat rikkomukset tapahtuivat lauantaisin kello 17.

Zamanin mukaan tällaista yksityiskohtaista tietoa voidaan käyttää paikallisviranomaisten apuna poliisien sijoittamiseen tasoristeysten lähelle rikkomusten vilkkaimpina aikoina tai se voidaan käyttää rautateiden omistajien ja päättäjien tiedoksi tehokkaampien risteysratkaisujen kehittämiseen. Nämä ratkaisut voivat sisältää tasoristeysten poistamiseen tarkoitettuja järjestelmiä tai kehittyneitä puomeja ja opastimia.

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

“Haluamme antaa rautatiealalle ja päättäjille työkalut videovalvontainfrastruktuurin hyödyntämättömän potentiaalin käyttöön ottamiseen analysoimalla sen tietovirtojen riskejä tietyissä paikoissa”, 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.