Jernbanen er et system, hvor sikkerheden afhænger af tusindvis af elementer, der virker samtidigt. Spor, sporskifter, kontaktledning, jernbaneoverskæringer, ingeniørbygninger og omgivelserne omkring linjen udgør et miljø, der skal overvåges konstant.
Problemet handler ikke længere kun om at indsamle så mange data som muligt.
Problemet er at opdage en trussel tidligt nok, fortolke den korrekt og formidle informationen til den person eller det system, der kan reagere.
Det er netop her, kunstig intelligens træder ind.
AI i jernbanen - fra billedoptagelse til forståelse af virkeligheden
Et klassisk overvågningssystem optager først og fremmest.
Et kamera kan gemme timers videomateriale, men det svarer ikke på det vigtigste spørgsmål:
Er der sket noget i det observerede billede, som kræver handling?
Et menneske kan analysere optagelsen, men datamængden overstiger hurtigt mulighederne for manuel kontrol. Jo flere overkørsler, kilometer spor og kameraer, desto større er udfordringen med at selektere information.
Derfor ændrer udviklingen af computer vision, machine learning og AI til jernbanen tilgangen til infrastrukturens overvågning.
Et system baseret på kunstig intelligens kan analysere billeder for bestemte mønstre og anomalier, klassificere hændelser og kun viderebringe de oplysninger, der kræver opmærksomhed fra operatøren.
Det er en væsentlig ændring.
I stedet for: kamera → optagelse → menneske → analyse
får vi: kamera → AI → anomalidetektion → hændelseskontekst → reaktion.
Edge Computing - hvorfor bør AI køre tæt på datakilden?
Et af nøgleelementerne i moderne AI-systemer til jernbanen er Edge Computing.
I den traditionelle model sendes data til en central server eller skyen til analyse. Ved overvågning af jernbaneinfrastruktur betyder det at sende enorme mængder visuelt indhold.
VAR24 anvender en anden tilgang.
Analysen foretages lokalt, i netværkets kant, ved hjælp af en dedikeret mikrocomputer og kamerasystem.
Det har stor betydning.
Hvis systemet skal fungere i realtid, kan hver beslutning ikke være afhængig af at sende hele datastrømmen til et eksternt bearbejdningscenter.
Edge AI flytter en del af intelligensen direkte ind i enheden ombord på køretøjet.
Data analyseres dér, hvor de opstår.
Dermed reduceres forsinkelse, mængden af data, der sendes videre, og man kan skabe en arkitektur egnet til anvendelser, der kræver hurtig reaktion.
Netop derfor er Edge Computing i jernbanen en af de interessante udviklingsretninger for intelligente sikkerhedssystemer.
Aktuel forskning i AI for infrastrukturvedligehold peger på Edge AI som et udviklingsspor ved siden af Digital Twins og cyber-fysiske systemer.
VAR24 - ser, analyserer, reagerer
Koncepterne bag VAR24 bygger på tre grundlæggende trin.
01. Ser
Frontkameraer observerer sporet fra maskinistens perspektiv.
Det er vigtigt, fordi systemet ikke analyserer et abstrakt infrastrukturmodel. Det observerer det reelle miljø, hvor køretøjet bevæger sig.
02. Analyserer
Billedet behandles lokalt af kunstig intelligens.
Systemet skal genkende anomalier og potentielle trusler i stedet for blot passivt at optage materiale.
03. Reagerer
En registreret hændelse kan sendes til et kontrolcenter sammen med kontekst.
Det er netop dette trin, der flytter fra overvågning til et beslutningsstøttesystem.
Og det er en fundamental forskel.
Predictive Maintenance i jernbanen - vedligehold før fejlen opstår
En af de vigtigste anvendelser af kunstig intelligens i skinnegående transport er Predictive Maintenance, altså prediktivt vedligehold.
Den traditionelle tilgang bygger ofte på faste inspektionsplaner, periodiske procedurer og reaktion på konstaterede fejl.
Predictive Maintenance ændrer logikken.
I stedet for at spørge: “Hvornår skal næste eftersyn udføres?”
kan systemet sigte mod spørgsmålet: “Viser de tilgængelige data tegn på et problem, og hvor hurtigt kan det blive kritisk?”
Det er en stor forskel for infrastrukturopgaver.
AI kan bruge data fra billeddannelse, sensorer, sporgeometri, vibrationer og andre kilder til at identificere mønstre, der peger på potentielle problemer. Aktuelle forskningsresultater viser, at netop billedanalyse, vibrationsanalyse og data om sporgeometri er væsentlige datakilder i AI-baseret prediktivt vedligehold for jernbanen.
Den Internationale Jernbaneunion UIC har kørt projektet Artificial Intelligence for Predictive Maintenance med det formål at accelerere AI-anvendelsen i jernbanesektoren og udvikle cases fra proof-of-concept og piloter til operationelle anvendelser.
Det viser, at AI og Predictive Maintenance ikke længere blot er teknologiske eksperimenter. De er en reel vej til digitalisering af jernbanen.
Hvorfor har overvågning af jernbaneinfrastruktur brug for AI?
Jernbaneinfrastrukturen er omfattende. Det er hundreder og tusinder af kilometer spor, forskellige vejrforhold, varierende lys, trafikerende køretøjer, vegetation, dyr, objekter tæt på sporet samt en løbende ændring i det tekniske tilstandsniveau.
Mennesket kan ikke konstant overvåge hele infrastrukturen. Et computersystem kan derimod udføre kontinuerlig analyse. Det betyder ikke, at mennesket elimineres. Tværtimod.
Den mest værdifulde model er den, hvor AI fungerer som et ekstra lag af perception og analyse, og hvor mennesket modtager allerede filtreret og klassificeret information.
Denne tilgang flytter mennesket fra rollen som observatør af enorme datamængder til rollen som beslutningstager på baggrund af information leveret af systemet.
Fra kameraer til datafusion og LiDAR
Kameraer er kun begyndelsen.
Næste udviklingstrin for perceptionssystemer kan være datafusion fra forskellige sensorer.
VAR24 planlægger integration med LiDAR-teknologi, altså systemer, der bruger laserimpulser til at skabe en rumlig repræsentation af omgivelserne.
Hvorfor er det vigtigt?
Kamerabilledet leverer visuel information.
LiDAR kan give rumlig information.
Kombinationen af forskellige datakilder muliggør opbygning af en mere komplet model af det observerede miljø.
Det er særligt vigtigt i situationer, hvor billedanalyse alene kan være vanskeligt på grund af lys- eller vejrforhold.
Bemærk, at en lignende retning allerede findes i polske FoU-projekter om automatisk overvågning af jernbaneinfrastruktur. Projektet UAVforRail bruger blandt andet AI, RGB, LiDAR og termografi til automatisk identifikation af infrastrukturfejl.
Udvidet perceptionshorisont
Det næste skridt er ikke kun at se mere nøjagtigt. Det er at se længere.
For et sikkerhedssystem kan det være vigtigt ikke kun at kende til sporets tilstand lige foran køretøjet, men også situationen i dets omgivelser.
Derfor foreskriver VAR24s roadmap udvidelse af analysen til blandt andet:
- kontaktledningsnettet,
- omgivelserne tæt ved sporet,
- dyr på sporet,
- køretøjer ved jernbaneoverskæringer,
- skred,
- andre potentielle forhindringer og anomalier.
På den måde bevæger systemet sig fra infrastrukturmonitorering til opfattelse af transportmiljøet.
Og perception er netop en af grundpillerne i autonomisering.
Fra observation til autonom reaktion
Autonom skinnegående transport begynder ikke med, at toget træffer alle beslutninger selvstændigt.
Det begynder meget tidligere.
Først skal maskinen: se.
Dernæst: forstå.
Så: vurdere risiko.
Og først derefter: reagere.
Derfor er computer vision, Edge AI, LiDAR og datafusion så vigtige for fremtidens autonome jernbane.
Aktuelle studier viser, at fuld automatisering på GoA4-niveau allerede anvendes i dele af metrosystemer, mens anvendelse på hovedlinjer er langt mere udfordrende på grund af sikkerhedskrav og kompleksiteten i et åbent operationelt miljø.
VAR24 placerer sig derfor i en logisk udviklingsbane: observation → analyse → prædiktion → opfattelse af omgivelser → reaktion → autonomisering.
Jernbanesikkerhed kræver realtidsdata
I kritiske systemer betyder tid alt.
Hvis information om en potentiel trussel først dukker op efter gennemført passage eller efter manuel analyse, er dens operationelle værdi begrænset.
Derfor er dataanalyse i realtid et af de vigtigste elementer i VAR24-konceptet.
Systemet skal ikke blot indsamle information. Det skal bearbejde den. Det skal genkende anomalier. Det skal videresende korrekt besked. Og i fremtiden - i overensstemmelse med projektets roadmap - kan det blive et element i aktiv reaktion på kritiske trusler.
VAR24 - udviklingsroadmap
Systemudviklingen er opdelt i efterfølgende faser.
Fase 1 - visionssystem / PoC
Avanceret optik og kunstig intelligens anvendes til at opdage skader på infrastrukturen inden for systemets umiddelbare rækkevidde.
Fase 2 - datafusion og LiDAR
Integration af yderligere rumlige datakilder og udvidelse af miljøperceptionsevnen.
Fase 3 - udvidet perceptionshorisont
Udvidelse af analysen til kontaktledningsnettet og banens omgivelser.
Fase 4 - aktiv reaktion
Det endelige koncept sigter mod at opnå en pålidelighed på 99,99% og muligheden for automatisk at igangsætte nødopbremsningsprocedurer i tilfælde af identifikation af en kritisk trussel på en afstand, der overstiger menneskets reaktionstid.
Det er VAR24s udviklingsmål, ikke en erklæring om nuværende systemkapaciteter.
Og netop denne sondring er afgørende i sikkerhedsteknologier.
Ikke-invasiv teknologi - AI uden ombygning af infrastrukturen
Et interessant aspekt af VAR24-koncepet er dets ikke-invasive installationskarakter.
I stedet for at genopbygge den eksisterende jernbaneinfrastruktur kan systemet udvikles som et ekstra teknologilag, der bruger kameraer og en dedikeret ombordcomputer.
Det åbner potentielt en helt anden vej til implementering af AI i jernbanen.
Man behøver ikke starte med at bygge hele infrastrukturen fra bunden.
Man kan begynde med et intelligent perceptionslag, som bruger eksisterende kørsler på jernbanenettet til løbende indsamling og analyse af information.
Polsk teknologi til europæisk jernbane
VAR24 udvikles som et FoU-projekt udsprunget af Web24.com.pl Sp. z o.o., et polsk softwarehus, der har været aktivt siden 2008.
Ifølge projektets forudsætninger finansieres VAR24 uafhængigt og udvikles uden ekstern kapitalafhængighed.
Det er et vigtigt element i projektets historie.
Det handler ikke kun om at skabe endnu en AI-løsning.
Målet er at bygge en teknologi, der kan finde anvendelse i en af de mest krævende infrastruktursektorer - skinnegående transport.
Fremtidens jernbane vil bygge på perception
I årtier har jernbaneudvikling fokuseret på øget hastighed, kapacitet, automatisering af styring og modernisering af infrastruktur.
Næste skridt er systemintelligens.
Fremtidens tog bør ikke blot følge en planlagt rute. Det bør i stigende grad forstå det miljø, det befinder sig i. Det bør opdage anomalier. Det bør forudsige potentielle problemer. Det bør levere relevante oplysninger til operatøren. Og i korrekt certificerede og sikre anvendelser - i fremtiden - kan det også udføre visse handlinger automatisk.
Derfor er udviklingen af AI til jernbanen, Edge Computing, computer vision, LiDAR, Predictive Maintenance og autonome systemer ikke fem separate trends.
Det er elementer i én større proces. Processen med at gå fra jernbaner overvåget af mennesker til jernbaner, som selv kan observere, analysere og reagere.
VAR24 vil være en del af denne proces.
VAR24. Ser. Analyserer. Reagerer.
