Le chemin de fer est un système dont la sécurité dépend de milliers d'éléments fonctionnant simultanément. Les rails, les appareils de voie, la caténaire, les passages à niveau, les ouvrages d'art et l'environnement de la ligne constituent un milieu qui doit être surveillé en permanence.
Le problème ne consiste plus uniquement à collecter le plus de données possible.
Le problème consiste à détecter la menace suffisamment tôt, l'interpréter correctement et transmettre l'information à la personne ou au système capable de réagir.
C'est précisément à cet endroit que l'intelligence artificielle intervient.
IA dans le ferroviaire - de l'enregistrement d'image à la compréhension de la réalité
Un système de vidéosurveillance classique se contente avant tout d'enregistrer.
Une caméra peut sauvegarder des heures de vidéo, mais elle ne répond pas à la question la plus importante :
Quelque chose s'est-il produit dans l'image observée qui nécessite une réaction ?
Un humain peut analyser un enregistrement, mais l'échelle des données dépasse rapidement les capacités d'une vérification manuelle. Plus il y a de passages, de kilomètres de voie et de caméras, plus la sélection des informations devient problématique.
C'est pourquoi le développement de la vision par ordinateur, du machine learning et de l'IA pour le ferroviaire change l'approche de la surveillance des infrastructures.
Un système basé sur l'intelligence artificielle peut analyser l'image à la recherche de motifs et d'anomalies définis, classer les événements et ne transmettre à l'opérateur que les informations nécessitant une attention.
C'est un changement fondamental.
Au lieu de : caméra → enregistrement → humain → analyse
nous obtenons : caméra → IA → détection d'anomalie → contexte de l'événement → réaction.
Edge Computing - pourquoi l'IA devrait fonctionner près de la source des données ?
L'un des éléments clés des systèmes modernes d'IA pour le ferroviaire est le Edge Computing.
Dans le modèle traditionnel, les données peuvent être envoyées vers un serveur central ou le cloud pour y être analysées. Pour la surveillance des infrastructures ferroviaires, cela implique toutefois l'obligation de transférer d'énormes volumes de données visuelles.
VAR24 adopte une autre conception.
L'analyse se déroule localement, en périphérie du réseau, à l'aide d'un micro-ordinateur dédié et d'un système de caméras.
Cela a une importance significative.
Si le système doit fonctionner en temps réel, on ne peut pas fonder chaque décision sur l'envoi du flux de données entier vers un centre de traitement externe.
L'Edge AI permet de transférer une partie de l'intelligence directement sur l'appareil embarqué.
Les données sont analysées là où elles sont générées.
Cela permet de réduire les latences, de diminuer la quantité de données transmises et de concevoir une architecture adaptée aux applications nécessitant une réaction rapide.
C'est pourquoi l'Edge Computing dans le ferroviaire est l'une des voies intéressantes pour le développement de systèmes de sécurité intelligents.
Les recherches actuelles sur l'IA pour la maintenance des infrastructures indiquent l'Edge AI comme une des directions de développement, aux côtés des jumeaux numériques et des systèmes cyber-physiques.
VAR24 - voit, analyse, réagit
Le concept VAR24 repose sur trois étapes fondamentales.
01. Voit
Les caméras frontales observent la voie depuis la perspective du conducteur.
C'est important parce que le système n'analyse pas un modèle abstrait de l'infrastructure. Il observe l'environnement réel dans lequel se déplace le véhicule.
02. Analyse
L'image est traitée localement par l'intelligence artificielle.
Le système a pour mission de reconnaître les anomalies et les menaces potentielles, au lieu de se limiter à un enregistrement passif du matériau.
03. Réagit
L'événement détecté peut être transmis au centre d'exploitation avec son contexte.
C'est cette étape qui permet de passer de la surveillance à un système d'aide à la décision.
Et c'est là une différence fondamentale.
Maintenance prédictive dans le ferroviaire - entretenir avant qu'une panne n'apparaisse
Un des usages les plus importants de l'intelligence artificielle dans le transport ferroviaire est la maintenance prédictive.
L'approche traditionnelle repose souvent sur des calendriers de révision, des procédures périodiques et des réactions aux défaillances constatées.
La maintenance prédictive change la logique d'action.
Au lieu de demander : « Quand faut-il effectuer la prochaine révision ? »
le système peut tendre vers la question : « Les données disponibles montrent-elles des signes de problème et à quelle vitesse cela peut-il devenir critique ? »
C'est une énorme différence du point de vue de la gestion des infrastructures.
L'IA peut utiliser des données d'imagerie, des capteurs, la géométrie de la voie, les vibrations et d'autres sources pour identifier des motifs annonciateurs de problèmes potentiels. Les revues scientifiques actuelles montrent que l'imagerie, l'analyse des vibrations et les données de géométrie de la voie sont des sources importantes pour la maintenance prédictive basée sur l'IA pour le ferroviaire.
L'Union internationale des chemins de fer (UIC) a mené un projet Artificial Intelligence for Predictive Maintenance visant à accélérer l'adoption de l'IA dans le secteur ferroviaire et à développer des cas d'usage allant du PoC et des pilotes aux applications opérationnelles.
Cela montre que l'IA et la maintenance prédictive ne sont plus un simple expérimentation technologique. Elles représentent une orientation réelle de la numérisation du rail.
Pourquoi la surveillance des infrastructures ferroviaires a besoin de l'IA ?
Les infrastructures ferroviaires sont vastes. Ce sont des centaines et des milliers de kilomètres de rails, des conditions météorologiques variées, un éclairage changeant, le trafic, la végétation, des animaux, des objets situés à proximité immédiate de la voie et l'évolution de l'état technique des infrastructures.
L'humain ne peut pas observer en permanence l'ensemble de l'infrastructure. Un système informatique peut en revanche effectuer une analyse de façon continue. Cela ne signifie pas la suppression de l'humain. Bien au contraire.
Le modèle le plus précieux est celui où l'IA fonctionne comme une couche supplémentaire de perception et d'analyse, et où l'humain reçoit des informations déjà filtrées et classées.
Cette approche permet de faire passer l'humain du rôle d'observateur d'un immense volume de données au rôle de décideur s'appuyant sur des informations préparées par le système.
Des caméras à la fusion de données et au LiDAR
Les caméras ne sont que le début.
L'étape suivante dans le développement des systèmes de perception peut être la fusion de données provenant de capteurs variés.
VAR24 prévoit l'intégration de la technologie LiDAR, un système utilisant des impulsions laser pour créer une représentation spatiale de l'environnement.
Pourquoi est-ce important ?
L'image d'une caméra fournit une information visuelle.
Le LiDAR peut fournir une information spatiale.
La combinaison de différentes sources de données permet de construire un modèle plus complet de l'environnement observé.
C'est particulièrement utile dans les situations où l'analyse d'image seule peut être entravée par des conditions d'éclairage ou météorologiques.
Il est important de noter qu'une direction similaire est déjà présente dans les travaux de R&D polonais sur la surveillance automatique des infrastructures ferroviaires. Le projet UAVforRail utilise notamment l'IA, le RGB, le LiDAR et la thermographie pour l'identification automatique des défauts d'infrastructure ferroviaire.
Un horizon de perception élargi
La prochaine étape n'est pas seulement de voir plus précisément. C'est voir plus loin.
Pour un système de sécurité ferroviaire, ce qui compte peut être non seulement l'état de la voie immédiatement devant le véhicule, mais aussi la situation dans son voisinage.
C'est pourquoi la feuille de route de VAR24 prévoit l'élargissement de l'analyse, notamment vers :
- la caténaire,
- l'environnement immédiat de la voie,
- les animaux présents sur la voie,
- les véhicules aux passages à niveau,
- les glissements de terrain,
- d'autres obstacles et anomalies potentiels.
De cette manière, le système commence à passer de la surveillance des infrastructures à la perception de l'environnement de transport.
Et la perception est justement l'un des fondements de l'autonomisation.
D'observation à réaction autonome
Le transport ferroviaire autonome ne commence pas par le fait qu'un train prend toutes les décisions seul.
Il commence bien plus tôt.
D'abord, la machine doit : voir.
Ensuite : comprendre.
Puis : évaluer le risque.
Et seulement après : réagir.
C'est pourquoi les systèmes de vision par ordinateur, l'Edge AI, le LiDAR et la fusion de données sont si importants pour l'avenir du ferroviaire autonome.
Les études actuelles montrent que l'automatisation complète au niveau GoA4 est déjà utilisée dans certaines parties des systèmes de métro, tandis que son application sur les lignes principales reste beaucoup plus difficile en raison des exigences de sécurité et de la complexité d'un environnement opérationnel ouvert.
VAR24 s'inscrit donc dans une trajectoire logique de développement : observation → analyse → prédiction → perception de l'environnement → réaction → autonomisation.
La sécurité ferroviaire exige des données en temps réel
Dans les systèmes critiques, le temps est essentiel.
Si l'information sur une menace potentielle n'apparaît qu'après la fin du trajet ou après une analyse manuelle du matériel, sa valeur opérationnelle peut être limitée.
C'est pourquoi l'analyse des données en temps réel est l'un des éléments les plus importants de la conception VAR24.
Le système ne doit pas seulement collecter des informations. Il doit les traiter. Il doit reconnaître les anomalies. Il doit transmettre le bon message. Et à l'avenir - conformément à la feuille de route du projet - il peut devenir un élément de réaction active face à une menace critique.
VAR24 - feuille de route de développement
Le développement du système a été divisé en phases successives.
Phase 1 - système vision / PoC
Une optique avancée et l'intelligence artificielle servent à détecter les dommages des infrastructures situées dans le champ de vision du système.
Phase 2 - fusion de données et LiDAR
Intégration de sources de données spatiales supplémentaires et augmentation des capacités de perception de l'environnement.
Phase 3 - horizon de perception élargi
Extension de l'analyse à la caténaire et à l'environnement de la voie.
Phase 4 - réaction active
Le concept final vise à atteindre un niveau de fiabilité de 99,99% et la possibilité d'initier automatiquement une procédure de freinage d'urgence en cas d'identification d'une menace critique à une distance dépassant le temps de réaction humain.
C'est l'objectif de développement de VAR24, et non une déclaration des capacités actuelles du système.
Et c'est précisément ce type de distinction qui est crucial dans les technologies de sécurité.
Technologie non invasive - l'IA sans reconstruction de l'infrastructure
Un des éléments intéressants du concept VAR24 est son caractère d'installation non invasive.
Plutôt que de reconstruire l'infrastructure ferroviaire existante, le système peut être développé comme une couche technologique additionnelle utilisant des caméras et un ordinateur embarqué dédié.
Cela ouvre potentiellement une tout autre voie pour le déploiement de l'IA dans le ferroviaire.
Il n'est pas nécessaire de tout construire depuis zéro.
On peut commencer par une couche de perception intelligente qui utilise les passages de véhicules sur le réseau ferroviaire existant pour collecter et analyser continuellement des informations.
Une technologie polonaise pour le rail européen
VAR24 est développé comme un projet R&D issu des structures de Web24.com.pl Sp. z o.o., un software house polonais actif depuis 2008.
Selon les hypothèses du projet, VAR24 est financé de manière autonome et développé sans dépendance à un capital externe.
C'est un élément important de l'histoire du projet.
Il ne s'agit pas uniquement de créer une autre solution utilisant l'IA.
L'objectif est de construire une technologie pouvant trouver une application dans l'un des secteurs infrastructurels les plus exigeants - le transport ferroviaire.
L'avenir du rail sera fondé sur la perception
Pendant des décennies, le développement du rail s'est concentré sur l'augmentation de la vitesse, de la capacité, de l'automatisation du contrôle et sur la modernisation des infrastructures.
L'étape suivante est l'intelligence du système.
Le train du futur ne doit pas seulement suivre un parcours planifié. Il doit comprendre de mieux en mieux l'environnement dans lequel il se trouve. Il doit détecter les anomalies. Il doit prévoir les problèmes potentiels. Il doit fournir à l'opérateur des informations pertinentes. Et, dans des applications dûment certifiées et sûres, il pourra à l'avenir effectuer certaines actions automatiquement.
C'est pourquoi le développement de l'IA pour le ferroviaire, de l'Edge Computing, de la vision par ordinateur, du LiDAR, de la maintenance prédictive et des systèmes autonomes ne constitue pas cinq tendances indépendantes.
Ce sont des éléments d'un processus plus large. Le passage d'un rail observé par l'humain à un rail capable d'observer, d'analyser et de réagir par lui-même.
VAR24 veut faire partie de ce processus.
VAR24.
Voit. Analyse. Réagit.
