Ingeniører utvikler AI-verktøy for å oppdage overtredelse av jernbane-kryssinger

Et team av ingeniører ved Rutgers har utviklet et AI-drevet verktøy som kan oppdage overtredelse av jernbane-kryssinger, og hjelpe med å redusere det økende antallet dødsfall som har funnet sted de siste ti årene.

Den nye forskningen ble publisert i tidsskriftet Accident Analysis & Prevention.

Automatisk oppdaging av overtredelse med AI

Teamet bestod av Asim Zaman, en prosjektingeniør ved Rutgers, og Xiang Liu, en associate professor i transportteknologi ved Rutgers School of Engineering. Duoen utviklet et AI-basert rammeverk som automatisk oppdager overtredelse av jernbane-kryssinger. Det differensierer også typer av overtredere og genererer video-klipp av hendelsene. AI-systemet baserer seg på et objekt-gjenkjenning-algoritme for å prosessere video-data til en enkelt datasett.

“Med denne informasjonen kan vi svare på mange spørsmål, som hva tid på dagen folk overtredere mest, og om folk går rundt portene når de er på vei ned eller opp?” sa Zaman.

Det har vært en jevn økning i overtredelse-ulykker i USA de siste årene, med hundrevis av mennesker drept hvert år. Det har vært mange forsøk på å redusere disse dødsfallene, men ingenting har funnet så langt.

Den føderale jernbaneforvaltningen (FRA) estimerte i 2008 at rundt 500 mennesker ble drept årlig ved overtredelse av jernbane-områder. Dette tallet økte til 855 i 2018, ifølge FRA.

Zaman og Liu definerte i sin forskning at overtredere er uautoriserte personer eller kjøretøy i et jernbane- eller transport-område som ikke er ment for offentlig bruk, eller personer som går inn i et signalisert kryssingsområde etter at det har blitt aktivert.

Tidligere forskning på dette området har hovedsakelig involvert data som er avledet fra skadeinformasjon, men det tok ikke med i betraktning nær-misser, som Zaman og Liu sier kan gi verdifulle innsikter i overtredelse-atferd. Dette kan føre til design av mer effektive kontrolltiltak.

Forskerne testet sin teori med video-opptak fra et kryssingsområde i New Jersey. Et av problemene med video-systemer ved kryssinger er at de ikke alltid gjennomgås på grunn av at prosessen er arbeidskrevende og dyrek.

Trening av AI

Zaman og Liu trente AI- og dypt-læring-verktøyet til å analysere 1 632 timer med arkiv-video-opptak fra studie-stedet. Etter 68 dager med overvåking, fant de 3 004 eksempler på overtredelse, som utgjorde i gjennomsnitt 44 per dag. De oppdaget også at nesten 70 prosent av overtredere var menn, og rundt en tredjedel overtredde før toget passerte. De fleste overtredelsene skjedde på lørdager rundt klokken 17.

Ifølge Zaman, kan denne type detaljert data brukes av lokale myndigheter til å plassere politi ved kryssinger under tider med høyeste overtredelse, eller det kan informere jernbane-eiere og beslutningstakere om mer effektive kryssingsløsninger. Disse løsningene kan inkludere systemer for å fjerne kryssinger eller avanserte porter og signaler.

“Alle elsker data, og det er det vi tilbyr,” sa Zaman.

“Vi ønsker å gi jernbane-industrien og beslutningstakerne verktøy til å utnytte det ubrukte potensialet i video-overvåkings-infrastruktur gjennom risiko-analyse av deres data-feeds i bestemte lokasjoner,” la Liu til.

Forskerne gjennomfører også studier i Virginia og Nord-Carolina. De ble nylig tildelt en bevilgning på 583 000 dollar fra det amerikanske transportdepartementet til å utvide til andre stater, inkludert Connecticut, Louisiana og Massachusetts.