Ingenieurs creëren AI-hulpmiddel voor het detecteren van spoorwegongevalletjes

Een team van ingenieurs aan de Rutgers heeft een AI-geactiveerd hulpmiddel ontwikkeld dat kan detecteren of mensen op spoorwegovergangen rondwandelen, waardoor het aantal dodelijke ongevallen dat de afgelopen tien jaar heeft plaatsgevonden, kan worden verminderd.

Het nieuwe onderzoek werd gepubliceerd in het tijdschrift Accident Analysis & Prevention.

Automatisch detecteren van ongevallen met AI

Het team bestond uit Asim Zaman, een projectingenieur aan Rutgers, en Xiang Liu, een associate professor in transporttechniek aan de Rutgers School of Engineering. Het duo ontwikkelde een AI-geactiveerd kader dat automatisch spoorwegongevalletjes kan detecteren. Het onderscheidt ook tussen verschillende soorten overtreders en genereert videoclips van de voorvallen. Het AI-systeem vertrouwt op een objectdetectiealgoritme om videodata te verwerken tot één dataset.

“Met deze informatie kunnen we talloze vragen beantwoorden, zoals op welk tijdstip van de dag mensen het meest rondwandelen en of mensen om de hekken heen gaan als ze naar beneden of omhoog gaan?” zei Zaman.

Er is een consistent toename in ongevallen op spoorwegovergangen in de Verenigde Staten in de afgelopen jaren, met honderden doden per jaar. Er zijn veel inspanningen geleverd om deze doden te verminderen, maar niets heeft tot nu toe gewerkt.

De Federal Railroad Administration (FRA) schatte in 2008 dat ongeveer 500 mensen per jaar omkwamen door rond te wandelen op spoorwegovergangen. Dat aantal steeg tot 855 in 2018, volgens de FRA.

Zaman en Liu definieerden in hun onderzoek dat overtreders ongeautoriseerde personen of voertuigen zijn in een gebied van spoorweg- of openbaar vervoer dat niet bedoeld is voor openbaar gebruik, of personen die een signaalgeactiveerde overgang betreden nadat deze is geactiveerd.

Eerder onderzoek op dit gebied heeft voornamelijk betrekking op gegevens die zijn afgeleid van slachtofferinformatie, maar het hield geen rekening met bijna-ongelukken, die volgens Zaman en Liu waardevolle inzichten kunnen bieden in het gedrag van overtreders. Dit kan leiden tot het ontwerp van meer effectieve controlemaatregelen.

De onderzoekers testten hun theorie met videobeelden die zijn opgenomen bij een overgang in een stedelijk gebied in New Jersey. Een van de problemen met videosystemen bij overgangen is dat ze niet consistent worden bekeken vanwege het tijdrovende en dure proces.

Trainen van de AI

Zaman en Liu trainden de AI en deep-learningtool om 1.632 uur aan archiefvideomateriaal van de studielocatie te analyseren. Na 68 dagen van monitoring vonden ze 3.004 voorvallen van overtreding, wat neerkomt op 44 per dag. Ze ontdekten ook dat bijna 70 procent van de overtreders mannen waren en dat ongeveer een derde voor de trein passeerde. De meeste overtredingen vonden plaats op zaterdag rond 17.00 uur.

Volgens Zaman kan dit soort gedetailleerde gegevens door lokale autoriteiten worden gebruikt om agenten bij overgangen te plaatsen tijdens de tijden van piekovertredingen, of het kan spoorwegbezitters en beslissers informeren over meer effectieve overgangsoplossingen. Deze oplossingen kunnen bestaan uit het elimineren van overgangen of het installeren van geavanceerde hekken en signalen.

“Iedereen houdt van gegevens, en dat is wat we bieden,” zei Zaman.

“We willen de spoorwegindustrie en beslissers de tools geven om het ongebruikte potentieel van videosurveillancesystemen te benutten door risicoanalyses van hun gegevensfeeds op specifieke locaties uit te voeren,” voegde Liu eraan toe.

De onderzoekers voeren ook studies uit in Virginia en North Carolina. Ze ontvingen onlangs een subsidie van 583.000 dollar van het Amerikaanse ministerie van Verkeer om uit te breiden naar andere staten, waaronder Connecticut, Louisiana en Massachusetts.