Ingenjörer skapar AI-verktyg för att upptäcka olovligt intrång på järnväg

Ett team av ingenjörer vid Rutgers har utvecklat ett AI-baserat verktyg som kan upptäcka olovligt intrång på järnvägskorsningar, vilket hjälper till att minska det ökande antalet dödsfall som har skett under de senaste tio åren.

Den nya forskningen publicerades i tidskriften Accident Analysis & Prevention.

Automatisk upptäckt av olovligt intrång med AI

Teamet bestod av Asim Zaman, en projektledare vid Rutgers, och Xiang Liu, en biträdande professor i transportteknik vid Rutgers School of Engineering. Duon utvecklade en AI-baserad ram som automatiskt upptäcker olovligt intrång på järnväg. Den skiljer också på olika typer av förbrytare och genererar videoklipp av incidenterna. AI-systemet förlitar sig på en objektdetektionsalgoritm för att bearbeta videodata till en enda dataset.

“Med denna information kan vi besvara många frågor, som vilken tid på dagen människor oftast begår olovligt intrång, och om människor går runt grindarna när de är på väg ner eller upp?” sa Zaman.

Det har funnits en konstant ökning av olovligt intrång på järnväg i USA under de senaste åren, med hundratals människor som dör varje år. Det har funnits många försök att minska dessa dödsfall, men ingenting har fungerat ännu.

Federal Railroad Administration (FRA) uppskattade 2008 att cirka 500 människor dog årligen till följd av olovligt intrång på järnväg. Detta antal ökade till 855 år 2018, enligt FRA.

Zaman och Liu definierade i sin forskning att förbrytare är obehöriga personer eller fordon i ett område som inte är avsett för allmän användning, eller personer som går in på en signaliserad järnvägskorsning efter att den har aktiverats.

Tidigare forskning inom detta område har främst involverat data som härrör från skadeinformation, men det tog inte hänsyn till nära missar, som Zaman och Liu säger kan ge värdefulla insikter i beteendet vid olovligt intrång. Detta kan leda till utformningen av mer effektiva kontrollåtgärder.

Forskarna testade sin teori med videofilm som togs vid en järnvägskorsning i New Jersey. Ett av problemen med videosystem vid järnvägskorsningar är att de inte konsekvent granskas på grund av att processen är arbetskrävande och dyr.

Träning av AI

Zaman och Liu tränade AI och djupinlärningsverktyget för att analysera 1 632 timmar av arkiverad videofilm från studieplatsen. Efter 68 dagars övervakning fann de 3 004 fall av olovligt intrång, vilket motsvarar 44 per dag. De upptäckte också att nästan 70 procent av förbrytarna var män, och att cirka en tredjedel begick olovligt intrång innan tåget passerade. De flesta överträdelserna skedde på lördagar klockan 17.

Enligt Zaman kan denna typ av detaljerad data användas av lokala myndigheter för att placera poliser nära järnvägskorsningar under tider med hög olovlig intrång, eller för att informera järnvägsägare och beslutsfattare om mer effektiva lösningar för järnvägskorsningar. Dessa lösningar kan inkludera system för att eliminera järnvägskorsningar eller avancerade grindar och signaler.

“Alla älskar data, och det är vad vi tillhandahåller”, sa Zaman.

“Vi vill ge järnvägsindustrin och beslutsfattarna verktyg för att utnyttja den outnyttjade potentialen i videosövervakningsinfrastrukturen genom riskanalys av deras dataflöden på specifika platser”, tillade Liu.

Forskarna genomför också studier i Virginia och North Carolina. De har nyligen tilldelats ett bidrag på 583 000 dollar från den amerikanska transportdepartementet för att utöka till andra delstater, inklusive Connecticut, Louisiana och Massachusetts.