لیست انتخاب شده از محبوب ترین برنامه های کاربردی هوش مصنوعی در حمل و نقل را بررسی میکند و یاد میدهد که چگونه شرکت های برتر از V7 برای شکل دادن به آینده این صنعت استفاده میکنند.
صنعت حمل و نقل در چند صد سال گذشته دستخوش تغییرات و انقلاب های متعددی شده است – و ما اکنون در مرحله ای هستیم که پیشرفت های بزرگی در قالب هوش مصنوعی در حمل و نقل حاصل شده است.
هوش مصنوعی توجه سرمایهگذاران حوزه حمل و نقل در سراسر جهان را از طریق خودروهای خودران با ایمنی بیشتر، نظارت بر وضعیت جاده برای بهبود ایمنی و تجزیه و تحلیل جریان ترافیک برای بهره وری بیشتر، به خود جلب کرده است.
در واقع، بسیاری در بخش حمل و نقل پتانسیل فوق العاده هوش مصنوعی را شناسایی کرده اند و پیش بینی میشود میزان ارزش بازار جهانی این صنعت تا سال 2026 به 3,870,000,000 دلار برسد.
چنین هزینههایی میتواند به شرکتها کمک کند تا از فناوریهای پیشرفتهای مانند بینایی کامپیوتری و یادگیری ماشینی برای شکل دادن به آینده حملونقل استفاده کنند تا ایمنی مسافران افزایش یابد، تصادفات جادهای کاهش یابد و ازدحام ترافیک کاهش یابد.
یادگیری عمیق(Deep learning) و یادگیری ماشینی(machine learning) در حمل و نقل همچنین میتواند به ایجاد «شهرهای هوشمند» کمک کند، مانند آنچه در گلاسکو دیدهایم، که این فناوری زمانهای توقف وسایل نقلیه، تخلفات پارکینگ و روند تراکم ترافیک را نظارت میکند.
- وسایل نقلیه خودران (Self-driving Vehicles)
- تشخیص ترافیک (و علائم راهنمایی و رانندگی) (( Traffic Detection (and Traffic Signs)
- تشخیص عابر پیاده (Pedestrian Detection )
- تجزیه و تحلیل جریان ترافیک (Traffic Flow Analysis )
- مدیریت پارکینگ مبتنی بر دید کامپیوتری (Computer Vision-Powered Parking Management)
- نظارت بر وضعیت جاده ها (Road Condition Monitoring)
- تشخیص خودکار حوادث ترافیکی (Automatic Traffic Incident Detection)
- تشخیص خودکار پلاک خودرو (Automated License Plate Recognition)
- نظارت بر راننده (Driver Monitoring)
- وسایل نقلیه خودران (Self-driving Vehicles)
مفهوم وسایل نقلیه خودران چیز جدیدی نیست. جنرال موتورز آن را در سال 1939 معرفی کرد. اما تنها در عصر کنونی حمل و نقل هوش مصنوعی ما است که شرکتها میتوانند از تکنیکهای بینایی رایانهای مانند تشخیص اشیا برای ایجاد سیستمهای هوشمندی استفاده کنند که دادههای بصری را رمزگشایی و معنا میکنند تا اساساً به وسیله نقلیه اجازه دهند تا خودش رانده شود. و در حالی که یک خودروی خودران می تواند پیچیده به نظر برسد، ایده ساخت هوش مصنوعی در پشت آن در واقع ساده است: این الگوریتم قبل از آموزش برای شناسایی اشیاء خاص و سپس انجام اقدامات صحیح مانند ترمزگیری، با حجم عظیمی از داده های مرتبط تغذیه می شود. ، چرخش، افزایش سرعت، کاهش سرعت و غیره از جمله این داده ها هستند.
بیشتر مطالعه کنیم: هوش مصنوعی چیست؟
بنابراین یک مدل هوش مصنوعی باید کدام اشیاء را شناسایی کند؟
مانند سایر وسایل نقلیه در جاده ها، علائم جاده، چراغ های راهنمایی، خط کشی، عابران پیاده و موارد دیگر را باید شناسایی کند. برای جمع آوری و استفاده از داده ها، وسایل نقلیه خودران از دوربین ها و حسگرها استفاده میکنند. برای آموزش مدل و قابل اعتماد ساختن آن، باید به طور مداوم توسط انبوهی از دادهها تغذیه شود. طبیعتاً هنوز چالش هایی وجود دارد. یک الگوریتم نیاز به دسترسی به آن دسته از داده های مرتبط دارد که در شرایط مختلف مانند آب و هوای بد و زمین ناهموار نیز میتواند مشکل ایجاد کند. مسائل دیگر عبارتند از نور ضعیف و احتمال برخورد خودروی هوشمند در جاده با یک شی ناشناس.
البته وقتی بسیاری از ما به خودروهای هوشمند فکر میکنیم، به طور خودکار به یاد تسلا میافتیم. تسلا همراه با شرکتهایی مانند اوبر، ویمو و موشنال ، چندین سال است که روی وسایل نقلیه خودکار کار میکند و همیشه یک قدم جلوتر از سایر رقبا است.
برخلاف دیگران در صنعت حملونقل، تسلا از رویکرد کاملا مبتنی بر بینایی استفاده میکند و از خودروهای مجهز به دوربین خود برای جمعآوری دادههای ویدئویی و تصویری بدون استفاده از نقشههای HD و لیدار در پیش زمینه رانندگی خودکار خود استفاده میکند. از نقطه نظر فنی، این در واقع یک رویکرد پیچیدهتر است، عمدتاً به این دلیل که از آنجایی که شبکههای عصبی فقط بر روی دادههای ویدیویی آموزش داده میشوند، نیاز به دستیابی به بالاترین دقت ممکن ضروری است.
تیم خودران تسلا نیز داده های زیادی را جمع آوری می کند – به اندازه 1.5 پتابایت داده که شامل 1.000.000 ویدیو ده ثانیه ای و 6.000.000.000 شی است که هر کدام با سرعت، عمق و جعبه های مرزی مشخص شده اند. تسلا تنها به شناسایی و مشخص کردن داده های دستی متکی نیست. در عوض، فرآیند شناسایی اشیا را با ترکیب تشخیص انسانی با ابزارهای شناسایی خودکار بهبود می بخشد.
سیستمهای هوش مصنوعی علاوه بر خودروهای خودران شخصی در کامیونها، اتوبوسها و سیستم های مالیاتی فرودگاهی مورد استفاده قرار میگیرند. همچنین نوآوریها تأثیر زیادی بر هوش مصنوعی در لجستیک و به طور کلی زنجیره تامین دارند. در واقع، مککینزی پیشبینی کرده است که کامیونهای خودران هزینههای عملیاتی را تا حدود 45 درصد کاهش میدهند و اثرات زیست محیطی نیز تا حد زیادی کاهش مییابد.
در ادامه مقاله، نگاهی دقیقتر و عمیقتر به سایر کاربردهای هوش مصنوعی در صنعت حمل و نقل که از پایههای فناوری رانندگی خودران هستند میپردازیم.
تشخیص ترافیک (و علائم راهنمایی و رانندگی) Traffic Detection (and Traffic Signs)
تنها در ایالات متحده هزاران چراغ راهنمایی وجود دارد. در حالی که ممکن است فکر کنید توقف زمانی که چراغ قرمز می شود یک فرآیند ساده است، این واقعیت که هر ساله در ایالات متحده حدود 1000 نفر بی دلیل توسط وسایل نقلیه ای که چراغ قرمز را رد میکنند کشته میشوند به این معنی است که همه چیز بسیار پر خطر خطرناک است. بیش از 50 درصد از این مرگ و میرها توسط مسافران یا رانندگانی که چراغ قرمز را رد کردهاند، به وجود آمده است. مشکل این است که خود سیستم چراغ راهنمایی ممکن است کامل باشد، اما انسانهای پشت فرمان همیشه کامل نیستند و اشتباهات اتفاق میافتد، گاهی اوقات رانندگان از چراغ قرمز عبور میکنند و تصادفات رخ میدهند.
راه حل این مشکل را میتوان در وسایل نقلیه خودران یافت که در کنار شهرهای هوشمند میتوانند از این مرگ و میرها جلوگیری کنند. در واقع، خودروسازان مشکل سیگنال ترافیک را در جلو و مرکز قابلیتهای خودروهای خودران خود قرار میدهند. یک سیستم مبتنی بر هوش مصنوعی را میتوان برای تشخیص نورها – سبز، کهربایی و قرمز – از طریق مدلهای بینایی رایانهای که در طیف گستردهای از سناریوها مانند شرایط نوری نامناسب، آب و هوای نامناسب و انسداد آموزش داده میشوند.
به این ترتیب، دوربینهای خودروهای خودران ابتدا یک سیگنال راهنمایی و رانندگی را تشخیص میدهند و قبل از تجزیه و تحلیل تصویر، اگر مشخص شود که چراغ قرمز است، خودرو ترمز میکند. طبیعتاً هنگامی که یک دوربین در حال اسکن کردن چیزی است که در مقابل آن قرار دارد، ممکن است نورهای دیگری مانند یک بیلبورد یا یک چراغ خیابان را تشخیص دهد. چراغ راهنمایی با چراغ خیابانی متفاوت است زیرا دارای سه چراغ است، اما قابلیت آنالیزگر تصویر همچنان باید آنقدر خوب باشد که بتواند فوراً علائم راهنمایی و رانندگی را تشخیص دهد و گول چراغ های دیگر را نخورد. اگر فریب بخورد، نتیجه می تواند ویرانگر باشد. هنگام شناسایی داده ها برای تشخیص ترافیک، یکی از دو رویکرد رایج مورد نیاز است:
- برچسب زدن نور و پوسته به صورت جداگانه (متداول ترین)
- استفاده از رنگ چراغ های فعال برای تعریف هر کلاس شی چراغ راهنمایی
این روش شناسایی همچنین میتواند برای تعیین چراغ های راهنمایی از یکدیگر استفاده شود که در خطوط متعدد ارائه شده اند.
این مقاله یک روش تشخیص چراغ راهنمایی را بررسی میکند که از شبکههای عصبی کانولوشنال استفاده شده است. محققان با استفاده از داده های نقشه و یک جفت دوربین فاصله کانونی مجزا برای تشخیص چراغ های راهنمایی در فواصل مختلف، الگوریتم منحصر به فردی برای تشخیص نور ارائه کردند که طبقه بندی تصویر را با تشخیص اشیا ترکیب می کند تا انواع حالتهای نور چراغ های راهنمایی را شناسایی کند. محققان همچنین YOLOv3 را در رویکرد خود برای تشخیص لحظهای چراغ راهنمایی برای نتایج بهتر ادغام کردند. در اینجا یک تصویر ساده از این فرآیند آمده است:
نتایج: رویکرد پیشنهادی هنوز موفق به دستیابی به دقت 100٪ نشده است. از آنجایی که تشخیص و شناسایی چراغ راهنمایی برای اطمینان از ایمنی مسافران و عابران پیاده به دقت 100% نیاز دارد، این سیستم نیاز به بهبود است.
تشخیص عابر پیاده (Pedestrian Detection )
چقدر جالب است اگر یک سیستم کامپیوتری بتواند به طور خودکار عابران پیاده را در تصاویر و ویدیوها شناسایی و شناسایی کند؟
بعلاوه، اگر بتوانیم مدلی بسازیم که به خودروهای خودران اجازه دهد تا هدف عابر پیاده را درک کنند تا بدانند – مثلاً – آیا یک عابر پیاده قصد عبور از جاده را در زمان واقعی دارد، چه اتفاقی میافتد؟
چنین سیستمی مطمئناً به خودروهای خودران کمک می کند تا در موقعیت های خطرناک جهت خودرو را منحرف کنند و به طور بالقوه تصادفات جاده ای را به میزان قابل توجهی کاهش دهند. تشخیص عابر پیاده در واقع یک مشکل کلیدی در دید کامپیوتری و تشخیص الگو است، زیرا عابران پیاده میتوانند در زمینه ترافیک جادهای غیرقابل پیشبینی باشند. آنها آنقدر غیرقابل پیش بینی هستند که یکی از بزرگترین تهدیدها برای موفقیت خودروهای خودران هستند.
نکته کلیدی لزوماً این نیست که یک سیستم ویژگی های خاص انسان مانند ریش و بینی را تشخیص دهد، بلکه این است که بتواند به درستی انسان را از یک شی دیگر متمایز کند و همچنین بفهمد که یک عابر پیاده قصد دارد در مرحله بعدی چه کاری انجام دهد و آیا آنها از جاده عبور میکنند؟
برای شروع کار شناسایی و تجسم عابران پیاده، سیستمهای بینایی کامپیوتری از جعبههای محدودکننده استفاده میکنند.
برای شناسایی عابران پیاده، انواع مختلفی از ویژگی ها از جمله ویژگی های مبتنی بر حرکت، ویژگی های مبتنی بر بافت برخی از رویکردها تخمین ژست انسانی را نیز گنجانده اند، تکنیکی که اطلاعات مربوط به رفتار آنی یک موضوع خاص (در این مورد، یک انسان) را جمع آوری میکند. این برای انتقال اطلاعات به وسیله نقلیه خودران در رابطه با آنچه که یک عابر پیاده قصد انجام آن را دارد طراحی شده است، ویژگی های مبتنی بر شکل و ویژگی های مبتنی بر گرادیان استفاده شده است.
به عنوان مثال، این مقاله نگاهی میاندازد به اینکه چگونه میتوان با استفاده از توالیهای حالت اسکلتی دوبعدی از طریق یک شبکه یادگیری عمیق، مقاصد عابران پیاده را پیشبینی کرد. محققان می خواستند مدلی بسازند که به آنها بگوید عابر پیاده از جاده عبور می کند یا نه.
آنها پویایی اسکلت انسان را به یک قصد مرتبط کردند تا بر مسئله پیش بینی مقصود محتاطانه در زمان واقعی در یک محیط ترافیکی معمولی غلبه کنند.
نتایج تجربی نشان میدهد که دقت 94.4 درصدی توسط SPI-Net در پیشبینی عبور عابر پیاده بر اساس مجموعه داده JAAD به دست آمد.
در اینجا یک تجسم ساده از این فرآیند است:
البته، هنوز چالشهایی در دادههای آموزشی وجود دارد که باید بر آنها غلبه کرد، و این چالشها شامل پارامترهای مختلف روشنایی در سناریوهای مختلف، تغییر شرایط نور، انواع مختلف ژستها و لباسهایی است که عابران پیاده میپوشند. مشکل دوم با استفاده از بینایی ماشین و دوربینها ناتوان است، به همین دلیل است که برای ارائه دادههای دقیقتر به فناوری پیشرفتهتری نیاز است و میتوان از آن برای شناسایی موفقیتآمیز عابران پیاده در همه شرایط نوری استفاده کرد. علاوه بر این، این میزان موفقیت یک الگوریتم یادگیری ماشینی است که تعیین میکند که در نهایت تشخیص عابر پیاده چقدر موفق است.
تجزیه و تحلیل جریان ترافیک (Traffic Flow Analysis )
جریان ترافیک اقتصاد یک کشور را برای بهتر یا بدتر تحت تأثیر قرار می دهد و همچنین بر ایمنی جاده ها تأثیر می گذارد. ازدحام ترافیک هزینه و زمان دارد، باعث استرس رانندگان و مسافران می شود و همچنین به گرم شدن زمین کمک می کند. با جریان ترافیک بهتر، اقتصاد یک کشور می تواند رشد بهتری داشته باشد و ایمنی کاربران جاده آن به طرز چشمگیری بهبود می یابد.
جریان ترافیک بر اقتصاد یک کشور و همچنین ایمنی جاده ها تأثیر بسزایی میگذارد. ازدحام ترافیک هزینه و زمان دارد و باعث استرس رانندگان و مسافران میشود و همچنین منجر به گرم شدن زمین میشود. با جریان ترافیک بهتر، اقتصاد یک کشور میتواند رشد بهتری داشته باشد و ایمنی کاربران جاده آن به طرز چشمگیری بهبود مییابد.
با در نظر گرفتن این موضوع، جای تعجب نیست که هوش مصنوعی اکنون راه را برای تجزیه و تحلیل جریان ترافیک بهتر با استفاده از یادگیری ماشین و بینایی کامپیوتر هموار می کند. هوش مصنوعی میتواند به کاهش تنگناها و شناسایی نقاط کور در جادهها کمک کند. به لطف پیشرفتهای بینایی کامپیوتری، ردیابی و تخمین جریان ترافیک مبتنی بر پهپاد و دوربین اکنون امکانپذیر است.
این الگوریتمها میتوانند ترافیک آزادراه را با دقت ردیابی و شمارش کنند، همچنین تراکم ترافیک را در محیطهای شهری، مانند آزادراه و تقاطعها تجزیه و تحلیل میکنند. همچنین آنها به سیستم مدیریت شهری کمک میکند تا بفهمند چه اتفاقی میافتد تا بتوانند سیستمهای مدیریت ترافیک کارآمدتری طراحی کنند و در عین حال ایمنی جادهها را بهبود بخشند.
دوربینهای مداربسته میتوانند رویدادهای خطرناک و سایر ناهنجاریها را شناسایی کنند و اطلاعاتی در مورد ساعات اوج مصرف، نقاطی که دید سایر راننده ها کور هست را ارائه دهند. همچنین میتوانند تغییرات را در یک دوره زمانی تعیین و ردیابی کنند تا امکان اندازهگیری تراکم ترافیک را فراهم کنند. در نتیجه، ترافیک شهری و انتشار گازهای گلخانه ای را میتوان تا حد زیادی توسط برنامه ریزان شهری کاهش داد.
شرکت هایی مانند Flir، Viscando و SwissTraffic از هوش مصنوعی برای جریان ترافیک استفاده می کنند، و Viscando از فناوری دید استریو برای نظارت و کنترل ترافیک استفاده می کند.
سیستم Viscando جریان ترافیک را در تقاطعها و سایر مناطق باز نظارت میکند و میتواند انواع وسایل نقلیه و همچنین عابران پیاده و دوچرخهها را به طور همزمان شناسایی و رهگیری کند.
چنین قابلیتهایی تضمین میکند که Viscando میتواند مسیر کاربران جاده را در چراغهای راهنمایی ردیابی کند، همچنین خطر درگیری را شناسایی کرده و شکافهایی را که کاربران جاده بین ماشینها ایجاد میکنند محاسبه میکند.
همانطور که مدیر عامل شرکت Viscando، آمریتپال سینگ می گوید:
- در شهرها دادههای بسیار بیشتری در مورد نحوه عملکرد تقاطع، طول صفها و مدت زمان انتظار وجود دارد و میتواند عابران پیاده و دوچرخه سواران را در طرح بهینه سازی یکسان قرار دهد.
در شهرها دادههای بسیار بیشتری در مورد نحوه عملکرد تقاطع، طول صف ها و مدت زمان انتظار میدهد و می تواند عابران پیاده و دوچرخه سواران را در طرح بهینه سازی یکسان قرار دهد.
این مقاله چارچوبی را با حرکات و کلاسهای متعدد برای شمارش بهتر وسایل نقلیه ارائه میکند. محققان از روشهای یادگیری عمیق پیشرفته برای تشخیص و ردیابی خودرو و همچنین یک رویکرد مسیری استفاده کردند که به آنها اجازه میداد تا حرکات وسایل نقلیه را نظارت کنند. محققان میخواستند روند شمارش حجم ترافیک را که خود کار پیچیده ای است، بر اساس سیستم دوربین مدار بسته بهبود بخشند. اگر محققان بتوانند ردیابی مناطق متمایز را برای نظارت بر حرکات مختلف وسایل نقلیه اجرا کنند، می توانند روند شمارش را بهبود بخشند. نتایج آزمایشها امیدوارکننده هستند، با این مدل که دقتی را برای حرکات مختلف بین 80 تا 98 درصد به دست میآورد که همه اینها تنها با یک نمای دوربین انجام شده است. علاوه بر افزایش جریان ترافیک، هوش مصنوعی سایر اهداف شهر هوشمند مانند پایداری را تکمیل میکند.
بیشتر مطالعه کنیم: 4 مورد از مهمترین انواع هوش مصنوعی را بشناسیم
مدیریت پارکینگ مبتنی بر دید کامپیوتری (Computer Vision-Powered Parking Management)
آیا تا به حال برای یافتن یک پارکینگ وقت زیادی را صرف کرده اید؟
موضوع پارکینگ در جامعه امروزی به قدری رایج است که کمدین های برتر جهان درباره آن شوخی میکنند. وودی آلن با کنایه گفت: “کیهان هر ثانیه در حال انبساط است، اما من هنوز نمیتوانم جای پارک پیدا کنم.”
ساینفلد حتی دو اپیزود درباره جای پارک ساخت. البته پیدا کردن جای پارک در واقع خنده دار نیست. این می تواند بسیار استرس زا باشد (و همچنین برای محیط زیست بد)، و غلبه بر مشکل پارکینگ چیزی است که شهرها و شهرستان ها در سراسر جهان با آن دست و پنجه نرم می کنند.
دید کامپیوتر برای مدیریت پارکینگ چگونه کار می کند؟
بیایید ابتدا با سنسورها شروع کنیم. سنسورهایی برای نظارت بر پارکینگ برای هرگونه فضای خالی نصب شده است. هرگاه وسیله نقلیهای در مکانی پارک شود، حسگر قادر است فاصله تا قسمت زیرین آن را محاسبه کند. اما از آنجایی که حسگر نمیتواند پلاک خودروها را اسکن کند، دوربین ها، پارکومترها و دید کامپیوتری باید درگیر شوند.
بنابراین دوربین هایی نصب میشوند که از دید کامپیوتری برای شناسایی نقاط بدون متر استفاده می کنند. آنها با استفاده از فناوری شماره گذاری خودکار، وسایل نقلیه پارک شده را شناسایی میکنند و همچنین مدت زمان پارک آنها را اندازه گیری میکنند. سپس بینایی کامپیوتر میتواند از دادهها برای بهروزرسانی در زمان واقعی از تمام فضاهای خالی و در دسترس استفاده کند. سپس رانندگان میتوانند به نقشه روی دستگاه تلفن همراه خود دسترسی پیدا کنند تا تمام نقاط پارک موجود را بررسی کنند. این باعث صرفه جویی در زمان به ویژه در پارکینگ های شلوغ مانند فرودگاه ها میشود.
این سیستم در حال حاضر در شهرها با استفاده از بینایی کامپیوتری در سیستمهای راهنمای پارکینگ و اطلاعات (PGI) برای تشخیص بصری پارکینگ استفاده میشود. علاوه بر آن سیستم یک گزینه مقرون به صرفه تر از فناوری های مبتنی بر حسگر است – فناوریهایی که گران هستند و نیاز به تعمیر و نگهداری مکرر دارند. به عنوان مثال، Zensors قبلاً از دید رایانه ای برای مدیریت پارکینگ استفاده کرده است. آنها پلت فرمی دارند که اشغال پارکینگ را به صورت فضا به مکان ردیابی میکند و رانندگان را به فضاهای خالی موجود راهنمایی می کند. سیستم هوش مصنوعی آنها “به مدیران ترافیک فرودگاه اجازه میدهد تا مسیرهای گام به گام را به پارکینگهای موجود ارائه دهند و زمان مسافر را در مراکز خرید و غذاخوری به حداقل برسانند.”
نظارت بر وضعیت جاده ها (Road Condition Monitoring)
خسارات ناشی از چاله ها یک مسئله مهم در آمریکا است و برآوردها حاکی از آن است که سالانه بیش از 3,000,000,000 دلار برای رانندگان هزینه دارد. و با این حال، برای سالهای متمادی، نظارت بر وضعیت جادهها عمدتاً به دست شهروندانی سپرده شده است که «وظیفه» آنها افزایش آگاهی در مورد جادههای آسیبدیده به شوراهای محلیشان است. اکنون، بینایی کامپیوتری در حمل و نقل هوش مصنوعی می تواند نقص را با موفقیت تشخیص دهد، و همچنین زیرساخت های اطراف را با جستجوی تغییرات در آسفالت و بتن ارزیابی کند. الگوریتمهای بینایی کامپیوتری قادر به شناسایی چالهها و همچنین نشان دادن دقیق میزان خسارت جادهها هستند تا مسئولان مربوطه بتوانند به موقع اقدام کنند و تعمیر و نگهداری جاده را بهبود بخشند.
الگوریتمها با جمعآوری دادههای تصویر، قبل از پردازش آنها برای ایجاد سیستمهای تشخیص خودکار و طبقهبندی ترک کار میکنند. به عبارتی دیگر مسئولیت گزارش چاله ها و سایر خسارات جاده ای بر عهده شهروندان نخواهد بود. در عوض، سیستمهای هوش مصنوعی در زمان واقعی بهروزرسانی میشوند تا اقدامات سریعتری انجام شده و در وقت و پول صرفه جویی شود. هدف کلی تشخیص مخاطرات روسازی خودکار (PD) بهبود کارایی تخصیص تعمیر و نگهداری جاده است، در حالی که در عین حال ایمنی جاده را افزایش داده به طوری که تصادفات به شدت کاهش مییابد.
در حال حاضر پروژههای تعمیر و نگهداری جادههای مبتنی بر هوش مصنوعی متعددی در حال اجرا هستند. از جمله The RoadEye که از یادگیری ماشینی در حملونقل و بینایی رایانهای برای غلبه بر مشکل آسیب سطح جاده استفاده میکند. پروژه RoadEye از یک سیستم یکپارچه برای نظارت بر وضعیت جاده در زمان واقعی استفاده خواهد کرد. یک دوربین با یک سیستم تعبیه شده ترکیب میشود تا در یک سیستم کامل ADAS ادغام شود، همچنین خود سیستم در زمان واقعی از طریق یادگیری ماشینی وضعیت هر سطح جادهای را که در آن در حال حرکت است را ردیابی میکند.
تکنیکهای یادگیری ماشینی توسعهیافته توسط The RoadEye وضعیت جادهها را به دستههای مختلف، مانند «مرطوب» یا «عادی» طبقهبندی میکند و همچنین بینظمیها را در سطح جاده، از جمله چالهها، شناسایی میکند.
اهداف RoadEye شامل استفاده از ماشینها برای ایجاد مجموعه دادههای کامل تصویر جاده، قبل از آموزش فناوری بینایی کامپیوتری بر روی مجموعه دادههای گفته شده است. مجموعه داده – که در سطح ملی جمع آوری می شود – سپس در برنامه های کاربردی ADAS استفاده خواهد شد. RoadEye کاربردهای دیگری نیز دارد. به عنوان مثال، میتواند به راننده در هنگام یخبندان جاده هشدار دهد.
تشخیص خودکار حوادث ترافیکی (Automatic Traffic Incident Detection)
تشخیص حوادث ترافیکی یکی از حوزههای کاربرد هوش مصنوعی در صنعت حمل و نقل بسیار مورد توجه به منظور تحقیق و پژوهش در زمینه ITP (سیستمهای حملونقل هوشمند) و حملونقل هوش مصنوعی است. به هر حال، تا زمانی که ترافیک وجود داشته باشد، همیشه توقف و حوادث در جادهها وجود خواهد داشت.
این مساله برای کسانی که وظیفه دارند جاده ها را ایمن و سالم نگه دارند، مشکل ساز است.، زیرا هدف نهایی این است که اطمینان حاصل شود که ترافیک با کمترین اختلال ممکن جریان دارد. برای سالها، نظارت تصویری در ردیابی شبکههای جادهای و تقاطعها بسیار مفید بوده و به مراکز مدیریت ترافیک، دیدی جامع و سریع از حوادث و جریان ترافیک ارائه میدهد و به مسئولان این امکان را میدهد. تا در سریعترین زمان ممکن ماموریت های خود را انجام دهند. با این حال، انسان ها محدود هستند و نمی توانند تک تک دوربین ها را به طور همزمان زیر نظر بگیرند.
از آنجایی که کار همیشه غیر اتوماتیک بوده، حوادث همیشه بلافاصله شناسایی نمیشوند و در نتیجه توقفها و ترافیک طولانیتر شده و تشخیص خودکار حوادث میتواند بسیار مفید باشد. با استفاده از رایانه و ترکیب حسگرها با بینایی کامپیوتری و نظارت مداوم بر همه دوربین ها، حوادث، صف ها و شرایط ترافیکی غیرعادی تشخیص داده میشوند.
شبکههای جادهای شهری با دوربینهای مداربسته و آشکارسازهای متعدد تجهیز شدهاند. که با هم پایههای نظارت خودکار و بدون وقفه را ارائه میدهند. با استفاده از بینایی کامپیوتری، آشکارسازها قادر به ارائه یک جریان داده ثابت هستند که به TMC ها در عملیات ترافیکی خود کمک میکند. اپراتورهای مرکز کنترل هر زمان که در شرایط ترافیکی ناهنجاری وجود داشته باشد هشدار داده میشود و آنها میتوانند در اسرع وقت به هر حادثهای که سیستم های مبتنی بر هوش مصنوعی شناسایی کرده اند پاسخ دهند. این سیستمها برای جمعآوری دادههای خود، تشخیص رخداد خودکار به دوربین مداربسته و حلقههای القایی داخل خودرو متکی هستند.
قبلاً سیستمهایی برای تشخیص خودکار حوادث ایجاد شدهاند. به عنوان مثال، ClearWay در حال حاضر به اندازه کافی پیچیده است که بتواند یک حادثه را در ده ثانیه اول پس از وقوع آن تشخیص دهد. این سیستم در هر شرایط نوری و آب و هوایی کار میکند، میتوان از آن در تقاطع ها، تونل ها، در جاده های باز استفاده کرد و با در نظر گرفتن شهرهای هوشمند طراحی شده است. در همین حال، نرخ هشدار کاذب فقط یک حسگر در روز است و رادار AID آن تا 1000 متر را پوشش می دهد.
انواع مختلفی از حوادث که قادر به تشخیص است عبارتند از:
- شناسایی آوار
- تشخیص عابرین پیاده (و حیوانات)
- وسیله نقلیه ثابت
- خودروهایی که در مسیر اشتباه حرکت میکنند
- وسیله نقلیه خیلی سریع یا خیلی کند
تشخیص خودکار پلاک خودرو (Automated License Plate Recognition)
کاربرد هوش مصنوعی در صنعت حمل و نقل و تشخیص خودکار پلاک خودرو شامل استفاده از سیستمهای دوربین بینایی کامپیوتری متصل به پلهای روگذر بزرگراه و تیرهای خیابان برای گرفتن شماره پلاک و همچنین مکان، تاریخ و زمان است. هنگامی که تصویر گرفته شد، داده ها به یک سرور مرکزی وارد میشوند.
برای تشخیص خودکار پلاک خودرو میتوان از سیستمهای دوربین جدیدی که بهطور خاص برای این منظور طراحی شدهاند استفاده کرد. یا میتوان از دوربینهای مداربسته موجود و دوربینهای اجرای قوانین جادهای استفاده کرد.
چرا به تشخیص خودکار پلاک خودرو نیاز است؟
این موضوع معمولاً برای کمک به پلیس در تأیید شواهد استفاده میشود. مثلاً آیا وسیله نقلیه ذرات معلق در صحنه جرم حضور داشته است؟ آیا کسی عذر قانونی دارد؟ با این حال، تشخیص خودکار پلاک خودرو همچنین می تواند برای شناسایی الگوهای سفر استفاده شود. و به طور گسترده در نظارت بالا، مدیریت پارکینگ و مدیریت عوارض استفاده میشود. اینکه اطلاعات جمعآوریشده توسط نیروی پلیس با سایر سازمانها به اشتراک گذاشته میشود یا نه، به خود سازمان مجری قانون بستگی دارد.
کاربرد هوش مصنوعی در صنعت حمل و نقل و نظارت بر راننده (Driver Monitoring)
هر ساله حدود 56000 تصادف جاده ای به دلیل خواب آلودگی و خستگی در ایالات متحده و 1500 مرگ و میر رخ میدهد.
طبق این نوع آمار، دولت بریتانیا خستگی راننده را به عنوان “یکی از زمینه های اصلی تصادفات که باید مورد توجه قرار گیرد” شناسایی کرده است. و خطای انسانی با درخواست از رانندگان برای رانندگی با احتیاط بیشتر از بین نخواهد رفت.
اکنون به منظور نظارت بهتر و ایمن تر راننده، دید کامپیوتر به کابین خودروها اضافه شده است. این فناوری که از تشخیص چهره و تخمین وضعیت سر برای مراقبت از مواردی مانند خواب آلودگی و تشخیص احساسی استفاده میکند. و میتواند از هزاران تصادف و مرگ سالانه جلوگیری کند. بسیاری از رانندگان دوست ندارند زمانی که خسته هستند به آن اعتراف کنند. یا اینکه بپذیرند احساس خواب آلودگی کمی بر توانایی آنها در رانندگی تأثیر میگذارد. فناوری مبتنی بر هوش مصنوعی میتواند هر زمان که رانندگی به دلیل خستگی دچار عدم تمرکز شدیدی میشود. به راننده هشدار دهد و میتواند به او توصیه کند که خود را کنار بکشد و استراحت کند. این امر ایمنی راننده، سرنشینان و همچنین سایر کاربران جاده را تضمین میکند.
زمینه های دیگری که این فناوری مفید است شامل حواس پرتی راننده است. اگر یک راننده حواسش پرت شود – به عنوان مثال، با دستگاه تلفن همراه خود – فناوری میتواند. فوراً به او هشدار دهد که روی جاده متمرکز بماند. سایر عوامل حواس پرتی ممکن است شامل صحبت کردن با مسافر صندلی عقب باشد که بدون اینکه راننده متوجه شود تمرکز او را مختل کند.
منبع: v7labs.com