Ekspertsystemer - Computere, der opdager trafikhændelser

Trafikovervågningssystemer er almindeligt forekommende på alle udviklede vejnet globalt. De består typisk af trafiklys, statisk og dynamisk skiltning, induktive sløjfe-køretøjsdetektorer, radioudstyr, fartkameraer, nummerplade-detektionskameraer og CCTV-kameraer. Selve trafikstyringssystemerne styres fra et sikret kontrolrum, hvor autoriseret personale sikrer styringen af systemet.

Operatører i kontrolrum er typisk højt uddannede og erfarne, hvilket gør dem efterspurgte. Det er ofte udfordrende at rekruttere og fastholde sådanne operatører og sikre, at der er nok kvalificerede operatører på vagt, da disse kontrolrum kører døgnet rundt. Kunstig intelligens kan i høj grad assistere operatører i kontrolrummet med at drive kontrollen mere effektivt og fuldføre flere hændelsesbaserede opgaver såsom at opdage anomale hændelser, herunder køretøjsnedbrud, køretøjskollisioner eller andre farer på vejen og opdage kørehastighed.

Dette case-studie udforsker, hvordan et ekspertsystem for kunstig intelligens kan implementeres og anvendes i et kontrolrum til overvågning af trafik for at skabe bedre resultater for alle, der interagerer med komplekse systemer. Således rejser operatører i kontrolrummet og pendlere på forskellige vejnetværk.

Løsning af problemet via kunstig intelligens

Kunstig intelligens gør det muligt for computersystemer at forstå konteksten. Selvom konteksten er langt fra en menneskes forståelse, da nuværende AI-systemer er det, der kaldes smal AI, er det ofte tilstrækkeligt til formål med semi-automatisering. Trafikkontrolrum kræver overvågning af CCTV-kameraer for at opdage hændelser og reagere tilstrækkeligt. Denne opgave involverer at se på flere skærme og bestemme, hvordan der skal reageres på specifikke omstændigheder.

Neurale netværk og deep learning har i stigende grad fokuseret på køretøjsdetektion. Vi har udforsket dette i detaljer inden for casestudiet Surveillance Footage Object Detection. Ved udelukkende at tage komponenten til køretøjsdetektion fra Artificial Intelligence er det derefter muligt, når køretøjets placering er kendt, at programmere et sæt regler for et kontrolrum ved hjælp af klassiske algoritmiske programmeringsteknikker.

Brugen af klassiske algoritmiske teknikker gør det muligt for organisationer at have større kontrol over outputtet fra et ekspertsystem.

Teknikker til beregningsgeometri, som er vel etablerede inden for computergrafik, kan anvendes til at opdage yderligere kontekst, når objekter spores. For eksempel kan kollisionen af to køretøjer opdages effektivt via algoritmer til beregningsbaseret kollisionsdetektion, herunder skæringspunktet mellem to afgrænsningsbokse, der omgiver hvert respektive køretøj.

Det er afgørende at anvende klassiske algoritmiske teknikker i ekspertsystemer, da de er mere pålidelige og effektive, fordi deres programmering er præcis. Systemer til kunstig intelligens bør begrænses på en sådan måde, at et menneske træffer den endelige beslutning om, hvilken handling der skal foretages. Dette skyldes, at mens systemer til kunstig intelligens er meget pålidelige, er der en fejlmargin, der skal afbødes. Derfor anbefaler vi at implementere ekspertsystemer på en hybrid måde ved at bruge det bedste fra både kunstig intelligens og klassiske algoritmiske programmeringsteknikker.

Overblik over den organisatoriske udfordring

Ekspertsystemer er komplicerede at implementere i et miljø som f.eks. et kontrolrum. Udover de teknologiske udfordringer skal adskillige administrative forhindringer, overholdelseskrav og interne processer følges for at sikre en tilstrækkelig implementering. Mens teknologi er udfordrende for projektledelse og implementering i mange store organisationer, opvejer fordelene normalt stadig omkostningerne ved ikke at implementere dem på grund af teknisk gæld.

At overvåge skærme konstant i timevis, når det meste af tiden intet særligt ud over det almindelige sker, er en svær opgave for de fleste mennesker og ville være kedeligt. Det er naturligt at antage, at koncentrationen ville være svær at opretholde, efterhånden som tiden skrider frem. Det ovennævnte er der, hvor ekspert-AI-systemer udmærker sig. Systemet kan konstant overvåge kamerafeeds for hændelser, der kræver en reaktion, og komme med forslag til en operatør i et kontrolrum om, hvordan de kan fortsætte.

Nedenfor er nogle eksempler, der beskriver, hvordan en AI kan arbejde sammen med en operatør i et kontrolrum:

Hvis to eller flere køretøjer kolliderer, vil en AI opdage det, registrere hændelsen og advare en operatør i et kontrolrum.
Hvis et køretøj kører med en upassende hastighed, kan AI overveje at advare føreren via et digitalt skilt.
Hvis der opdages en fare på vejen, kan en AI advare en operatør i et kontrolrum og foreslå at lukke banen, indtil et hold fjerner faren.

Organisatoriske Data Tilgængelige som AI-input

Følgende opregner datakilder, der anvendes af automatiserede trafikovervågningssystemer:

CCTV-kameraer, placeret langs forskellige vejnetværk.
Trafikkamera-signaloplysninger, der angiver tilstanden for vejnettet.
Induktivsløjfe-køretøjsdetektorer leverer data såsom køretøjets vægt.
LiDAR-sensordata til at supplere CCTV-feeds, som til visse use cases kan være mere pålidelige til behandling for computergenkendelse.

Integrationsmetodologi

Følgende er en overordnet oversigt over den proces, vi ville udføre for at integrere et artikelintelligensbaseret trafikovervågnings-ekspertsystem i et kontrolrum:

Identificer CCTV/LiDAR-feeds og kamerasystemet, der leverer overvågning og optagelse af sådanne feeds.
Videresend datastrømme til en supercomputer eller cloud-computing-udbyder til realtidsanalyse og -behandling.
Kør feeds gennem Telemus AI™ og returner augmenterede videofeeds tilbage til sikkerhedsovervågningssystemerne inden i kontrolrummet.
Opsæt tilpassede alarmer til sikkerhedspersonalet baseret på det, der opdages, ud fra de parametre, som operatørerne i kontrolrummet ønsker, at det skal fungere ud fra.
Evaluer løbende ydeevnen af det kunstige intelligenssystem for at forbedre det og skabe endnu større effektivitet løbende.

Da Telemus AI™ tager sig af den tekniske implementering af kunstig intelligens, kan organisationer fokusere på forretningslogik og interne processer og procedurer for at indlejre de teknologiske muligheder.

Organisatoriske Anvendelser

Følgende opregner andre potentielle applikationer til din organisation:

Forbedring af effektiviteten, virkningen og ydeevnen i trafikstyringsrum.
Bestemmelse af trafikale hotspots for at optimere byplanlægning for at reducere trafikpropper.
Sporing af flådekøretøjer, hvis de befinder sig inden for en parkeringsplads og returneres af virksomhedens ansatte.
Sporing af køretøjer inden for parkeringspladser og måling af opholdstiden for bedre at forstå pendleres adfærd.

Potentielle og realiserede fordele

De potentielle fordele ved ekspertsystemer baseret på kunstig intelligens er enorme. Implementering kan føre til bedre produktivitet for operatører i kontrolrum, færre fejl i registrering af hændelser, bedre by- og vejplanlægning, reduceret trafikpropper og samlet set forbedret kendskab til vejnettet, som alt sammen tager højde for den tidsmæssige dimension, hvilket forbedrer forståelsen af de typiske statiske metoder.

I øjeblikket er mange af disse systemer stadig i forsknings- og udviklingsstadiet. Organisatorisk planlægning bør dog ske fra nu af, da implementeringsudfordringerne vil være enorme, selv når state of the art forbedres. Telemus AI™ har robuste implementeringer af kunstig intelligens-teknologier og kan have systemer indlejret, der opererer i stor skala.

Telemus AI™ er et australsk-baseret selskab for kunstig intelligens, der leverer avancerede løsninger til regering og erhvervsliv. Kontakt os i dag for en gratis konsultation om, hvordan Telemus AI™ kan indlejres i din organisation.

Automatiseret overvågning af trafik