Liikenteenvalvontajärjestelmät ovat yleisiä kaikilla kehitetyillä tieliikenneverkoilla maailmanlaajuisesti. Ne koostuvat tyypillisesti liikennevaloista, staattisista ja dynaamisista liikennemerkeistä, induktiivisilmukka-ajoneuvotunnistimista, radiovälineistä, nopeuskameroista, rekisterikilpitunnistuskameroista ja CCTV-kameroista. Liikenteenhallintajärjestelmiä itseään hallitaan turvallisesta valvomohuoneesta, jossa valtuutettu henkilöstö varmistaa järjestelmän hallinnan.
Valvomoyöoperaattorit ovat yleensä erittäin koulutettuja ja kokeneita, mikä tekee heistä kysyttyjä. Tällaisten operaattorien rekrytointi ja pitäminen sekä riittävien taitojen omaavien operaattorien varmistaminen vuoroissa on usein haastavaa, koska nämä valvomot toimivat 24/7. Tekoäly voi merkittävästi auttaa valvomoyöoperaattoreita hallitsemaan valvomoa tehokkaammin ja suorittamaan enemmän tapahtumapohjaisia tehtäviä, kuten poikkeavien tapahtumien tunnistamista, mukaan lukien ajoneuvojen hajoamiset, ajoneuvojen törmäykset tai muut tien vaaratilanteet ja matkanopeuden tunnistamista.
Tämä tapaustutkimus tutkii, miten tekoälyä asiantuntijajärjestelmä voidaan ottaa käyttöön ja hyödyntää liikenteenvalvontahuoneessa parempien tulosten saavuttamiseksi kaikille, jotka ovat vuorovaikutuksessa monimutkaisten järjestelmien kanssa. Siten valvomohuoneen operaattorit ja työmatkalaiset kulkevat eri tieverkoissa.
Laskennallisen geometrian tekniikoita, jotka ovat vakiintuneet tietokonegrafiikassa, voidaan käyttää lisäkontekstin tunnistamiseen, kun objektit on jäljitetty. Esimerkiksi kahden ajoneuvon törmäys voidaan tunnistaa tehokkaasti laskennallisilla törmäyksentunnistusalgoritmeilla, mukaan lukien kunkin ajoneuvon ympäröivien rajaavien laatikoiden leikkauspiste.
On välttämätöntä käyttää klassisia algoritmitekniikoita asiantuntijajärjestelmissä, koska ne ovat luotettavampia ja tehokkaampia, koska niiden ohjelmointi on tarkkaa. Tekoälyjärjestelmät tulisi rajoittaa tavalla, jossa ihminen tekee lopullisen päätöksen suoritettavasta toimenpiteestä. Tämä johtuu siitä, että vaikka tekoälyjärjestelmät ovat erittäin luotettavia, niissä on virhemarginaali, jota on lievennettävä. Siksi suosittelemme asiantuntijajärjestelmien toteuttamista hybriditavalla, hyödyntäen parasta, mitä sekä tekoäly- että klassiset algoritmiset ohjelmointitekniikat tarjoavat.
Yleiskatsaus organisaation haasteeseen
Asiantuntijajärjestelmien toteuttaminen on monimutkaista ympäristössä kuten valvomossa. Teknologisten haasteiden lisäksi on noudatettava lukuisia hallinnollisia esteitä, vaatimustenmukaisuusvaatimuksia ja sisäisiä prosesseja asianmukaisen toteutuksen varmistamiseksi. Vaikka teknologian projektinhallinta ja toteuttaminen on haastavaa monissa suurissa organisaatioissa, hyödyt yleensä silti ylittävät niistä pidättäytymisen kustannukset teknisen velan vuoksi.
Tuntikausien ajan ruutujen tuijottaminen, kun suurimman osan ajasta ei tapahdu mitään erityisen poikkeuksellista, on useimmille ihmisille vaikea tehtävä ja olisi tylsää. On luonnollista olettaa, että keskittyminen olisi vaikea ylläpitää ajan kuluessa. Edellä mainitussa asiantuntija-AI-järjestelmät loistavat. Järjestelmä voi jatkuvasti valvoa kamerasyötteitä tapahtumien varalta, jotka vaativat vastausta, ja tehdä ehdotuksia valvomohuoneen operaattorille siitä, miten hän voisi edetä.
Alla on lueteltu joitakin esimerkkejä, jotka kuvaavat, miten tekoäly voi työskennellä valvomokeskuskäyttäjän kanssa:
- Jos kaksi tai useampi ajoneuvo törmää toisiinsa, AI havaitsee sen, tallentaa tapahtuman ja hälyttää valvomon operaattorin.
- Jos ajoneuvo ajaa sopimattomalla nopeudella, AI voi harkita kuljettajan varoittamista digitaalisen merkin kautta.
- Kun tiellä havaitaan vaara, AI voi hälyttää valvomokeskuksen operaattorin ja ehdottaa kaistan sulkemista, kunnes tiimi poistaa vaaran.
Tekoälyn syötteenä käytettävissä oleva organisaation data
Seuraavassa on luettelo automatisoitujen liikenteenvalvojajärjestelmien käyttämistä tietolähteistä:
- CCTV-kamerat, jotka on sijoitettu eri tieverkkoihin.
- Liikennekameroiden signaalitiedot, jotka osoittavat tieliikenneverkon tilan.
- Induktiivisilmukka-ajoneuvotunnistimet tarjoavat tietoja, kuten ajoneuvon paino.
- LiDAR-anturidata täydentämään CCTV-syötteitä, jotka voivat joissakin käyttötapauksissa olla luotettavampia tietokonepohjaiseen tunnistukseen.
Integrointimenetelmä
Seuraavassa on yleiskatsaus prosessista, jonka suorittaisimme integroidaksemme artikkelitiedusteluun perustuvan liikenteenvalvonnan asiantuntijajärjestelmän ohjauskeskukseen:
- Tunnista CCTV/LiDAR-syötteet ja kamerojärjestelmä, joka tarjoaa tällaisten syötteiden valvonnan ja tallennuksen.
- Välitä syötteet supertietokoneelle tai pilvilaskentapalveluntarjoajalle reaaliaikaista analysointia ja käsittelyä varten.
- Aja syötteet Telemus AI™:n läpi ja palauta rikastetut videosyötteet takaisin valvomossa sijaitseviin turvallisuusvalvontajärjestelmiin.
- Määritä räätälöidyt hälytykset turvallisuushenkilöstölle havaittujen tapahtumien perusteella valvomokeskuksen operaattoreiden määrittämien parametrien mukaisesti.
- Arvioi jatkuvasti tekoälyjärjestelmän suorituskykyä parantaaksesi sitä ja ajaaksesi vielä suurempia tehokkuuksia jatkuvasti.
Koska Telemus AI™ hoitaa teknisen tekoälyn toteutuksen, organisaatiot voivat keskittyä liiketoimintalogiikkaan sekä sisäisiin prosesseihin ja menettelytapoihin, joihin teknologiset ominaisuudet upotetaan.
Organisaation sovellukset
Seuraavassa on luettelo muista mahdollisista sovelluksista organisaatiollesi:
- Liikenteen valvomahuoneiden tehokkuuden, vaikuttavuuden ja suorituskyvyn parantaminen.
- Liikenteen pullonkaulojen määrittäminen kaupunkisuunnittelun optimoimiseksi liikenteen ruuhkautumisen vähentämiseksi.
- Laivastoa ajoneuvojen seuraaminen, jos ne ovat pysäköintialueella ja palautettu yrityksen työntekijöiden toimesta.
- Ajoneuvojen seuraaminen pysäköintialueilla ja oleskelun keston mittaaminen ymmärtääkseen paremmin työmatkalaisen käyttäytymistä.
Mahdolliset ja toteutuneet hyödyt
Tekoälyyn perustuvien asiantuntijajärjestelmien mahdolliset hyödyt ovat valtavat. Toteutus voi johtaa parempaan valvomohuoneen operaattorien tuottavuuteen, vähentyneisiin virheisiin tapahtumien havaitsemisessa, parempaan kaupunki- ja tiesuunnitteluun, vähentyneeseen liikenteen ruuhkautumiseen ja yleisesti parantuneeseen tienverkon tuntemukseen, mikä kaikki ottaa huomioon ajallisen ulottuvuuden, parantaen tyypillisten staattisten menetelmien ymmärtämistä.
Tällä hetkellä monet näistä järjestelmistä ovat yhä tutkimus- ja kehitysvaiheessa. Organisaation suunnittelu tulisi kuitenkin aloittaa nyt, sillä toteutushaasteet ovat valtavat, vaikka tekniikka kehittyisi. Telemus AI™:lla on vankkoja tekoälyteknologioiden toteutuksia, ja järjestelmiin voidaan upottaa skaalautuvasti toimivia ratkaisuja.
Telemus AI™ on Australiassa toimiva tekoälyyritys, joka tarjoaa edistyneitä ratkaisuja hallituksille ja yrityksille. Ota meihin yhteyttä jo tänään saadaksesi ilmaisen konsultaation siitä, miten Telemus AI™ voidaan upottaa organisaatioosi.
