سیستمهای نظارت بر ترافیک در تمام شبکههای جادهای توسعهیافته در سراسر جهان رایج هستند. این سیستمها معمولاً از چراغهای راهنمایی، تابلوهای ثابت و پویا، آشکارسازهای خودرویی القایی، تجهیزات رادیویی، دوربینهای سرعتسنج، دوربینهای تشخیص پلاک و دوربینهای مداربسته تشکیل شدهاند. خود سیستمهای مدیریت ترافیک از یک اتاق کنترل امن مدیریت میشوند که در آن پرسنل مجاز از مدیریت سیستم اطمینان حاصل میکنند.
اپراتورهای اتاق کنترل معمولاً به شدت آموزش دیده و باتجربه هستند که آنها را مورد توجه قرار میدهد. اغلب استخدام و حفظ چنین اپراتورهایی و اطمینان از حضور اپراتورهای ماهر کافی در شیفت چالشبرانگیز است، زیرا این اتاقهای کنترل به صورت ۲۴/۷ کار میکنند. هوش مصنوعی میتواند به طور قابلتوجهی به اپراتورهای اتاق کنترل در کارآمدتر اجرای کنترل و تکمیل وظایف بیشتر مبتنی بر رویداد مانند تشخیص رویدادهای ناهنجار، از جمله خرابی خودرو، برخورد خودرو، یا سایر خطرات جادهای و تشخیص سرعت حرکت کمک کند.
این مطالعه موردی بررسی میکند که چگونه یک سیستم خبره هوش مصنوعی میتواند در اتاق کنترل نظارت بر ترافیک مستقر و مورد استفاده قرار گیرد تا نتایج بهتری را برای همه کسانی که با سیستمهای پیچیده تعامل دارند ایجاد کند. بنابراین، اپراتورهای اتاق کنترل و مسافران در شبکههای جادهای مختلف سفر میکنند.
تکنیکهای هندسه محاسباتی، که در گرافیک رایانهای بهخوبی تثبیت شدهاند، میتوانند برای تشخیص زمینههای بیشتر پس از ردیابی اشیاء به کار گرفته شوند. برای مثال، برخورد دو وسیله نقلیه میتواند بهطور کارآمد از طریق الگوریتمهای تشخیص برخورد محاسباتی، از جمله تقاطع دو کادر محدودکننده اطراف هر وسیله نقلیه مربوطه، تشخیص داده شود.
استفاده از تکنیکهای الگوریتمی کلاسیک در سیستمهای خبره ضروری است، زیرا با توجه به اینکه برنامهنویسی آنها دقیق است، قابل اعتمادتر و کارآمدتر هستند. سیستمهای هوش مصنوعی باید به شکلی محدود شوند که در آن یک انسان تصمیم نهایی در مورد اقدامی که باید انجام شود را بگیرد. این به این دلیل است که در حالی که سیستمهای هوش مصنوعی بسیار قابل اعتماد هستند، حاشیهای از خطا وجود دارد که باید کاهش یابد. بنابراین، ما پیادهسازی سیستمهای خبره را به شیوه ترکیبی، با استفاده از بهترین تکنیکهای برنامهنویسی هوش مصنوعی و الگوریتمی کلاسیک توصیه میکنیم.
نمای کلی از چالش سازمانی
پیادهسازی سیستمهای خبره در محیطی مانند اتاق کنترل پیچیده است. علاوه بر چالشهای فناورانه، باید از چالشهای اداری متعدد، الزامات انطباق و فرآیندهای داخلی پیروی کرد تا از پیادهسازی مناسب اطمینان حاصل شود. در حالی که فناوری برای مدیریت پروژه و پیادهسازی در بسیاری از سازمانهای بزرگ چالشبرانگیز است، مزایای آن معمولاً همچنان بیشتر از هزینه عدم پیادهسازی آنها به دلیل بدهی فنی است.
تماشای مداوم صفحهها برای ساعتهای متوالی، وقتی که بیشتر وقتها اتفاق خاصی غیرعادی رخ نمیدهد، برای بیشتر افراد کار دشواری است و خستهکننده خواهد بود. طبیعی است که فرض کنیم با گذشت زمان حفظ تمرکز دشوار میشود. مورد یادشده جایی است که سیستمهای متخصص AI درخشان میشوند. سیستم میتواند به طور مداوم فیدهای دوربین را برای رویدادهایی که نیازمند پاسخ هستند نظارت کند و به اپراتور اتاق کنترل پیشنهاداتی در مورد نحوه اقدام ارائه دهد.
در ادامه چند نمونه آورده شده است که توضیح میدهند یک AI چگونه میتواند با اپراتور اتاق کنترل همکاری کند:
- اگر دو یا چند وسیله نقلیه با یکدیگر تصادف کنند، یک AI آن را تشخیص میدهد، حادثه را ثبت کرده و به اپراتور اتاق کنترل هشدار میدهد.
- اگر یک وسیله نقلیه با سرعت نامناسبی رانندگی کند، AI میتواند هشدار به راننده از طریق یک علامت دیجیتال را در نظر بگیرد.
- با توجه به اینکه یک خطر در جاده تشخیص داده میشود، یک AI میتواند به اپراتور اتاق کنترل هشدار دهد و پیشنهاد ببندن مسیر را تا زمانی که یک تیم خطر را برطرف کند ارائه دهد.
دادههای سازمانی موجود به عنوان ورودی AI
فهرستهای زیر منابع داده مورد استفاده توسط سیستمهای خودکار نظارت بر ترافیک را نشان میدهند:
- دوربینهای CCTV، در امتداد شبکههای جادهای مختلف مستقر شدهاند.
- اطلاعات سیگنال دوربین ترافیکی که نشاندهنده وضعیت شبکه جادهای است.
- آشکارسازهای خودروی القایی دادههایی مانند وزن خودرو را ارائه میدهند.
- دادههای سنسور LiDAR برای تکمیل فیدهای CCTV که در برخی موارد استفاده، برای پردازش در تشخیص کامپیوتری قابلاعتمادتر هستند.
روشولوژی یکپارچهسازی
در ادامه یک مرور کلی از فرآیندی که ما برای ادغام یک سیستم خبره نظارت بر ترافیک مبتنی بر هوش مقالهای در یک اتاق کنترل انجام میدهیم آورده شده است:
- شناسایی فیدهای دوربینهای مداربسته/LiDAR و سیستم دوربینی که نظارت و ضبط چنین فیدهایی را ارائه میدهد.
- ارسال فیدها به یک ابررایانه یا ارائهدهنده رایانش ابری برای تحلیل و پردازش در زمان واقعی.
- فیدها را از طریق Telemus AI™ اجرا کنید و فیدهای ویدیویی افزودهشده را به سیستمهای نظارت امنیتی در اتاق کنترل بازگردانید.
- راهاندازی هشدارهای سفارشی برای پرسنل امنیتی بر اساس آنچه شناسایی میشود و بر اساس پارامترهایی که اپراتورهای اتاق کنترل مایلند بر اساس آن عمل کند.
- به طور مداوم عملکرد سیستم هوش مصنوعی را ارزیابی کنید تا آن را بهبود بخشید و کاراییهای حتی بیشتر را به طور پیوسته ایجاد کنید.
با توجه به اینکه Telemus AI™ پیادهسازی فنی هوش مصنوعی را بر عهده میگیرد، سازمانها میتوانند بر منطق کسبوکار و فرآیندها و رویههای داخلی و ادغام قابلیتهای فناورانه تمرکز کنند.
کاربردهای سازمانی
فهرست زیر سایر کاربردهای بالقوه برای سازمان شما را نشان میدهد:
- بهبود کارایی، اثربخشی و عملکرد اتاقهای کنترل ترافیک.
- تعیین نقاط داغ ترافیک به منظور بهینهسازی برنامهریزی شهری برای کاهش ازدحام ترافیک.
- ردیابی ناوگان خودروها در صورتی که در داخل یک پارکینگ باشند و توسط کارمندان شرکت بازگردانده شوند.
- ردیابی خودروها در داخل پارکینگها و اندازهگیری مدت زمان اقامت برای درک بهتر رفتار مسافران.
مزایای بالقوه و محققشده
مزایای بالقوه سیستمهای خبره مبتنی بر هوش مصنوعی عظیم است. اجرای آن میتواند منجر به بهرهوری بهتر اپراتورهای اتاق کنترل، کاهش خطاها در تشخیص رویدادها، برنامهریزی بهتر شهر و جاده، کاهش تراکم ترافیک، و بهبود کلی دانش در مورد شبکه جادهای شود، که همه اینها با در نظر گرفتن بُعد زمانی، درک روشهای ایستای معمول را بهبود میبخشد.
در حال حاضر، بسیاری از این سیستمها همچنان در مرحله تحقیق و توسعه قرار دارند. با این حال، برنامهریزی سازمانی باید از همین اکنون آغاز شود، زیرا چالشهای پیادهسازی حتی با بهبود فناوری پیشرفته نیز بسیار گسترده خواهند بود. Telemus AI™ پیادهسازیهای قدرتمندی از فناوریهای هوش مصنوعی دارد و میتواند سیستمهایی را تعبیه کند که در مقیاس بزرگ عمل میکنند.
Telemus AI™ یک شرکت هوش مصنوعی مستقر در استرالیا است که راهحلهای پیشرفتهای به دولت و سازمانها ارائه میدهد. همین امروز با ما تماس بگیرید تا مشاوره رایگان در مورد نحوه ادغام Telemus AI™ در سازمان خود دریافت کنید.
