Verkehrsüberwachungssysteme sind auf allen entwickelten Straßennetzen weltweit allgegenwärtig. Sie bestehen typischerweise aus Ampeln, statischen und dynamischen Schildern, Induktionsschleifen-Fahrzeugdetektoren, Funkgeräten, Geschwindigkeitskameras, Nummernschilderkennungskameras und CCTV-Kameras. Die Verkehrsmanagementsysteme selbst werden von einem sicheren Kontrollraum aus verwaltet, in dem autorisiertes Personal die Verwaltung des Systems sicherstellt.
Leitstand-Operatoren sind in der Regel hochgradig ausgebildet und erfahren, weshalb sie sehr gefragt sind. Es ist oft eine Herausforderung, solche Operatoren zu rekrutieren und zu halten sowie sicherzustellen, dass ausreichend qualifizierte Operatoren Schicht haben, da diese Leitstände rund um die Uhr betrieben werden. Künstliche Intelligenz kann Leitstand-Operatoren erheblich dabei unterstützen, die Steuerung effizienter zu betreiben und mehr ereignisbasierte Aufgaben abzuschließen, wie das Erkennen anomaler Ereignisse, einschließlich Fahrzeugpannen, Fahrzeugkollisionen oder anderer Gefahren auf der Straße, sowie das Erfassen der Reisegeschwindigkeit.
Diese Fallstudie untersucht, wie ein Expertensystem der Künstlichen Intelligenz in einer Verkehrsüberwachungs-Zentrale eingesetzt und genutzt werden kann, um bessere Ergebnisse für alle zu erzielen, die mit komplexen Systemen interagieren. So fahren Zentralenbediener und Pendler auf verschiedenen Straßennetzen.
Techniken der algorithmischen Geometrie, die in der Computergrafik gut etabliert sind, können eingesetzt werden, um weiteren Kontext zu erkennen, sobald Objekte verfolgt werden. Beispielsweise kann die Kollision zweier Fahrzeuge effizient über Algorithmen zur rechnergestützten Kollisionserkennung ermittelt werden, einschließlich der Überschneidung von zwei Begrenzungsrahmen, die jedes der jeweiligen Fahrzeuge umgeben.
Es ist wichtig, in Expertensystemen klassische algorithmische Techniken zu verwenden, da diese zuverlässiger und effizienter sind, da ihre Programmierung exakt ist. Systeme der künstlichen Intelligenz sollten auf eine Weise begrenzt werden, bei der ein Mensch die endgültige Entscheidung über die zu ergreifenden Maßnahmen trifft. Dies liegt daran, dass Systeme der künstlichen Intelligenz, obwohl sie sehr zuverlässig sind, eine Fehlermarge aufweisen, die gemindert werden muss. Daher empfehlen wir, Expertensysteme auf hybride Weise zu implementieren und das Beste aus beiden Welten – künstliche Intelligenz und klassische algorithmische Programmierung – zu nutzen.
Überblick über die organisatorische Herausforderung
Expertensysteme sind in einer Umgebung wie einem Kontrollraum kompliziert zu implementieren. Zusätzlich zu den technologischen Herausforderungen müssen zahlreiche administrative Hürden, Compliance-Anforderungen und interne Prozesse befolgt werden, um eine ordnungsgemäße Implementierung sicherzustellen. Während die Technologie für das Projektmanagement und die Implementierung in vielen großen Organisationen eine Herausforderung darstellt, überwiegen die Vorteile in der Regel die Kosten einer Nicht-Implementierung aufgrund technischer Schulden.
Stundenlang ununterbrochen Bildschirme zu beobachten, wenn die meiste Zeit nichts besonders Außergewöhnliches passiert, ist für die meisten Menschen eine schwierige Aufgabe und wäre mühsam. Es ist naheliegend, dass die Konzentration mit der Zeit schwer aufrechtzuerhalten ist. Das zuvor Genannte ist ein Bereich, in dem KI-Expertensysteme glänzen. Das System kann die Kamera-Feeds kontinuierlich auf Ereignisse überwachen, die eine Reaktion erfordern, und einem Leitstand-Operator Vorschläge unterbreiten, wie er vorgehen könnte.
Nachfolgend sind einige Beispiele aufgeführt, die beschreiben, wie eine AI mit einem Leitstellenoperator zusammenarbeiten kann:
- Wenn zwei oder mehr Fahrzeuge kollidieren, wird eine KI dies erkennen, den Vorfall aufzeichnen und einen Leitstellenmitarbeiter alarmieren.
- Wenn ein Fahrzeug mit unangemessener Geschwindigkeit fährt, kann die KI erwägen, den Fahrer über ein digitales Schild zu alarmieren.
- Wenn eine Gefahr auf der Straße erkannt wird, kann eine KI einen Leitstellenmitarbeiter alarmieren und vorschlagen, die Sperrung der Fahrspur zu veranlassen, bis ein Team die Gefahr beseitigt.
Als AI-Eingabe verfügbare organisatorische Daten
Die folgende Liste zeigt Datenquellen, die von automatisierten Verkehrsüberwachungssystemen verwendet werden:
- CCTV-Kameras, die entlang verschiedener Straßennetze positioniert sind.
- Informationen von Verkehrskamerasignalen, die den Zustand des Straßennetzes angeben.
- Induktionsschleifen-Fahrzeugdetektoren liefern Daten wie das Fahrzeuggewicht.
- LiDAR-Sensordaten zur Ergänzung von CCTV-Feeds, die bei bestimmten Anwendungsfällen zuverlässiger für die Verarbeitung der computergestützten Erkennung sein können.
Integrationsmethodik
Im Folgenden finden Sie einen Überblick über den Prozess, den wir durchführen würden, um ein auf Künstlicher Intelligenz basierendes Expertensystem zur Verkehrsüberwachung in einen Kontrollraum zu integrieren:
- Identifizieren Sie CCTV-/LiDAR-Feeds und das Kamerasystem, das die Überwachung und Aufzeichnung solcher Feeds bereitstellt.
- Weiterleitung von Feeds an einen Supercomputer oder Cloud-Computing-Anbieter zur Echtzeitanalyse und -verarbeitung.
- Leiten Sie die Feeds durch Telemus AI™ und geben Sie erweiterte Videofeeds an die Sicherheitsüberwachungssysteme im Kontrollraum zurück.
- Richten Sie benutzerdefinierte Warnungen für das Sicherheitspersonal ein, basierend auf dem, was erkannt wird, gemäß den Parametern, in denen die Kontrollraumoperatoren den Betrieb wünschen.
- Bewerten Sie kontinuierlich die Leistung des Systems der Künstlichen Intelligenz, um es zu verbessern und so kontinuierlich noch höhere Effizienzen zu erzielen.
Da Telemus AI™ sich um die technische Implementierung der Künstlichen Intelligenz kümmert, können sich Organisationen auf die Geschäftslogik sowie interne Prozesse und Verfahren konzentrieren und die technologischen Fähigkeiten einbetten.
Organisatorische Anwendungen
Die folgende Liste zeigt weitere potenzielle Anwendungen für Ihre Organisation:
- Verbesserung der Effizienz, Wirksamkeit und Leistung von Verkehrsleitzentralen.
- Ermitteln von Verkehrsbrennpunkten zur Optimierung der Stadtplanung und zur Reduzierung von Verkehrsstaus.
- Verfolgung von Flottenfahrzeugen, ob sie sich auf einem Parkplatz befinden und von Unternehmensmitarbeitern zurückgegeben wurden.
- Verfolgung von Fahrzeugen in Parkhäusern und Messung der Aufenthaltsdauer, um das Verhalten von Pendlern besser zu verstehen.
Potenzielle und realisierte Vorteile
Die potenziellen Vorteile von auf künstlicher Intelligenz basierenden Expertensystemen sind immens. Die Implementierung kann zu einer höheren Produktivität der Leitstellenoperatoren, einer Verringerung von Fehlern bei der Ereigniserkennung, einer besseren Stadt- und Verkehrsplanung, einer Verringerung der Verkehrsstaus und einem insgesamt verbesserten Wissen über das Straßennetz führen, wobei stets die zeitliche Dimension berücksichtigt wird, was das Verständnis der typischen statischen Methoden verbessert.
Gegenwärtig befinden sich viele dieser Systeme noch im Forschungs- und Entwicklungsstadium. Die organisatorische Planung sollte jedoch ab sofort erfolgen, da die Implementierungsherausforderungen selbst bei einer Verbesserung des Stands der Technik enorm sein werden. Telemus AI™ verfügt über robuste Implementierungen von Technologien der Künstlichen Intelligenz und kann Systeme einbetten, die skalierbar arbeiten.
Telemus AI™ ist ein australisches Unternehmen für künstliche Intelligenz, das fortschrittliche Lösungen für Regierung und Unternehmen bietet. Kontaktieren Sie uns noch heute für eine kostenlose Beratung, wie Telemus AI™ in Ihre Organisation eingebettet werden kann.
