Keinoäly varmistaa liikenneturvallisuuden San Bernardinon maantietunnelissa

Voiko keinoäly tehdä maantietunneleista turvallisempia ja tehokkaampia? SICKin Ajoneuvojen kuumien kohtien tunnistusjärjestelmät (VHD) San Bernardinon tunnelin pohjoisella ja eteläisellä sisäänkäynnillä todistavat sen mahdolliseksi. Ne ovat DeepLearnigiä käyttäen opetettu tunnistamaan vaarallisesti ylikuumenneet osat, mutta ei esimerkiksi vaaratonta pakoputkistoa. Tuloksena on parempi turvallisuus, vähemmän vääriä hälytyksiä ja optimaalinen liikennevirta.

SICKin VHD-järjestelmiä käytetään havaitsemaan ne kuorma-autot ja linja-autot, joiden pinnat ovat ylikuumentuneet eli syttymisvaarassa. Tämä tehdään ennen kuin ne ajavat tunnelin läpi, lautalle, lastausterminaaliin tai liikenteen tarkastuspisteeseen", kertoo Lukas Wallimann, SICKin VHD-järjestelmistä vastaava tuotepäällikkö Buochsista, Sveitsistä. Järjestelmä suorittaa tämän tehtävän yhdistämällä lämpökameroiden kuvia ja 2D-liDAR-antureiden mittatietoja.

Toimintatavan ansiosta järjestelmä voi mitata ajoneuvon lämpötilat ja määrittää sen mitat luodakseen 3D-mallin, josta voidaan automaattisesti tunnistaa ajoneuvon yksittäiset alueet, kuten pyörät, moottori, pakoputki tai kuormatila. "Tällaisia järjestelmiä on asennettu eri puolille Eurooppaa viime vuosikymmenen aikana, muun muassa Mont Blancin tunneliin ja Gotthardin tunneliin", sanoo Christoph Gilgen, SICKin asiakasprojektipäällikkö. Italo Broggini Sveitsin liittovaltion tielaitoksen (ASTRA) Bellinzonan toimipisteestä vahvistaa, että VHD-järjestelmät ovat osoittautuneet käytössä luotettavaksi turvallisuustoimenpiteeksi ajoneuvopaloja vastaan tunneleissa: "San Bernardinon mittausportti auttaa meitä poistamaan ylikuumentuneet ajoneuvot liikenteestä ja parantamaan tunnelien turvallisuutta."

San Bernardinon mittausportti auttaa poistamaan ylikuumentuneet ajoneuvot liikennevirrasta edistäen tunnelin turvallisuutta.

Hälytysten laadussa ”parantamisen varaa”

Ajoneuvojen kuumien kohtien tunnistusjärjestelmät (VHD) ovat siis tehokkaita. Mutta jotta niistä saataisiin vieläkin tehokkaampia, hälytysten laatua ja tarkkuutta oli parannettava entisestään. Tämä oli olennainen edellytys San Bernardino -hankkeessa, koska tunnelin pelastusyksikkö sijaitsee vain eteläisessä päässä. Jos lämpöportaali antaa hälytyksen tunnelin pohjoisen sisäänkäynnin kohdalla, joka on noin seitsemän kilometrin päässä, pelastushenkilöstöltä kestää jonkin aikaa päästä vaaratilanteen aiheuttavan ajoneuvon luokse. Väärät hälytykset, esimerkiksi kuuman äänenvaimentimen laukaisema hälytys, johtavat näin ollen pelastuslaitoksen tarpeettomiin toimenpiteisiin. Mutta kuinka paljon parannettavaa VHD-järjestelmien hälytysten laadussa on ja miten tätä potentiaalia voitaisiin hyödyntää myös tehokkuuden lisäämiseksi?

 Profilointijärjestelmät

Täysin automaattinen ylikuumenneiden ajoneuvon osien tunnistus

Vehicle Hotspot Detection System (Ajoneuvojen kuumien kohtien tunnistusjärjestelmä (VHD))

Keinoäly parantaa VHD-hälytysten laatua

Avaintekijänä on järjestelmän tarkkuus. Kuinka sitä voitaisiin parantaa? Riittäisikö antureiden määrän lisääminen? Vai tarvitaanko autojen mahdollisten syttymiskohteiden luotettavampaan tunnistukseen uusia algoritmeja? ”Ratkaisu on keinoäly ja tarkemmin sanottuna DeepLearning,” kertoo Roman Schindler, SICKin CNN-ohjelmistoinsinööri. Tässä tapauksessa CNN:llä ei ole mitään tekemistä Yhdysvaltalaisen uutiskanavan kanssa, vaan se on lyhenne sanoista ”Convolutional Neural Network” (konvolutiivinen neuroverkko). Kyseessä on biologisista prosesseista inspiraationsa saanut keinotekoinen neuroverkko, jota käytetään etupäässä kuvatietojen prosessoimiseen tietokoneella. Tämän menetelmän erityinen etu on alhainen virhetaso, jonka toivottiin vahvistuvan, kun VHD-järjestelmiä käytettäisiin CNN-algoritmien kanssa.

Niin sanotulla VHD-järjestelmän ”koulutusleirillä” analysoitiin neljän kuukauden aikana tuhansia lämpökuvia CNN-algoritmin opettamiseksi.

Oppiminen koulutuksella ja oppiminen kuvien avulla

VHD-järjestelmät olivat neljä kuukautta "koulutusleirillä". "Tänä aikana kerättiin tuhansia lämpökuvia olemassa olevista järjestelmistä, ne analysoitiin, luokiteltiin manuaalisesti ja sitten niitä käytettiin CNN-algoritmien harjoittamiseen", Roman Schindler kuvailee kehitysprosessia. Lisäksi SICK kävi läpi kaikki hälytykset viime kuukausien aikana San Bernardinon palo- ja pelastuspalvelun kapteenin kanssa suodattaakseen kaikista hälytysilmoituksista väärät hälytykset. Tämä toimenpide oli hyödyllinen myös CNN-algoritmille. Uusi menetelmä paransi merkittävästi järjestelmän kykyä erottaa toisistaan ajoneuvon yksittäiset alueet, kuten pyörät, moottorin tai pakoputken. "San Bernardinon tunnelissa, jossa uutta algoritmia testattiin ensimmäistä kertaa reaaliaikaisesti, vakiintuikin alhaisempi väärien hälytysten määrä", Christoph Gilgen sanoo. "Tämä on erittäin merkittävä parannus perinteiseen algoritmiin verrattuna. Myös sellainen on kuitenkin edelleen lämpöportaalissa käytössä varajärjestelmänä."

Ylikuumenneet ajoneuvot poistetaan käytöstä.

CNN-algoritmi mahdollistaa käytössä olevien portaalien päivityksen

"Koska väärien hälytysten osuus on entistä pienempi, tarpeettomia tehtäviä on vähemmän. Näin säästämme kustannuksissa ja henkilöstön motivaatio hälytystilanteissa on parempi", toteaa Italo Broggini ASTRAlta positiivisena seikkana. Ei siis ihme, että nykyisten VHD-järjestelmien käyttäjät ovat innoissaan järjestelmiensä päivittämisestä. "Mihin tahansa näistä järjestelmistä voidaan jälkiasentaa CNN-algoritmit, koska se ei vaadi kuin ohjelmistopäivityksen", Lukas Wallimann selittää ja lisää: "Uudet VHD-järjestelmät varustetaan jo valmiiksi tällä päivityksellä. Näin asiakas hyötyy SICKin pitkäaikaisesta kokemuksesta ajoneuvojen lämpömittauksissa ilman, että hänen tarvitsee maksaa päivityksestä enemmän kuin perinteisestä algoritmista."

VHD-järjestelmät eivät koskaan lakkaa oppimasta

CNN-algoritmin tämänhetkinen versio ei kuitenkaan ole lopullinen, sillä järjestelmän suorituskyky paranee jatkuvasti uusien kuvatietojen ja koulutusjaksojen myötä. "Tämä tarkoittaa, että VHD-järjestelmät eivät koskaan lakkaa oppimasta", Roman Schindler tiivistää. Lisäksi näille järjestelmille avautuu koko ajan uusia sovellusalueita. SICK kehittää esimerkiksi parhaillaan lauttaterminaaleissa käytettävää VHD-järjestelmää sellaiseksi, että se voisi havaita kuumat kohdat kuorma-autojen jäähdytysyksiköissä. VHD-järjestelmien tehokkuus paranee vielä pitkään CNN-algoritmin ansiosta. Alustava työ on nyt siis valmis, mutta loppua ei ole näköpiirissä.