La ferrovia è un sistema in cui la sicurezza dipende da migliaia di elementi che operano simultaneamente. Binari, scambi, linea di trazione, passaggi a livello, opere d'ingegneria e l'ambiente attorno alla linea formano un contesto che deve essere costantemente monitorato.
Il problema non consiste più esclusivamente nel raccogliere il maggior numero possibile di dati.
Il problema è vedere il pericolo con sufficiente anticipo, interpretarlo correttamente e trasmettere l'informazione a una persona o a un sistema che possa reagire.
Ed è proprio qui che entra in gioco l'intelligenza artificiale.
AI nelle ferrovie - dalla registrazione delle immagini alla comprensione della realtà
Un classico sistema di sorveglianza registra, prima di tutto.
Una telecamera può salvare ore di materiale video, ma da sola non risponde alla domanda più importante:
È successo qualcosa nell'immagine osservata che richiede una reazione?
Un operatore umano può analizzare una registrazione, ma la quantità di dati supera rapidamente la capacità di controllo manuale. Più sono i passaggi, i chilometri di linea e le telecamere, più complessa diventa la selezione delle informazioni.
Per questo lo sviluppo di computer vision, machine learning e AI per le ferrovie cambia l'approccio al monitoraggio dell'infrastruttura.
Un sistema basato sull'intelligenza artificiale può analizzare l'immagine alla ricerca di determinati schemi e anomalie, classificare gli eventi e inoltrare all'operatore solo le informazioni che richiedono attenzione.
Questo è un cambiamento fondamentale.
Invece di: telecamera → registrazione → persona → analisi
otteniamo: telecamera → AI → rilevamento anomalie → contesto dell'evento → reazione.
Edge Computing - perché l'AI dovrebbe operare vicino alla fonte dei dati?
Uno degli elementi chiave dei moderni sistemi AI per le ferrovie è l'Edge Computing.
Nel modello tradizionale i dati possono essere inviati a un server centrale o al cloud dove vengono analizzati. Per il monitoraggio dell'infrastruttura ferroviaria questo comporta però la necessità di trasmettere enormi quantità di dati visivi.
VAR24 utilizza un'altra concezione.
L'analisi avviene localmente, al bordo della rete, utilizzando un microcomputer dedicato e un sistema di telecamere.
Questo ha un significato importante.
Se il sistema deve operare in tempo reale, non si può basare ogni decisione sull'invio dell'intero flusso di dati a un centro di elaborazione esterno.
L'Edge AI consente di portare parte dell'intelligenza direttamente nel dispositivo presente sul veicolo.
I dati vengono analizzati dove vengono generati.
Ciò permette di ridurre le latenze, diminuire il volume di dati trasmessi oltre e creare un'architettura adatta ad applicazioni che richiedono una risposta rapida.
Per questo motivo l'Edge Computing nelle ferrovie è una delle direzioni interessanti per lo sviluppo di sistemi di sicurezza intelligenti.
Le ricerche attuali sull'AI nella manutenzione dell'infrastruttura ferroviaria indicano l'Edge AI come una delle direzioni di sviluppo, insieme ai Digital Twins e ai sistemi cyber-fisici.
VAR24 - vede, analizza, reagisce
La concezione VAR24 si basa su tre fasi fondamentali.
01. Vede
Telecamere frontali osservano la linea dalla prospettiva del macchinista.
Questo è importante, perché il sistema non analizza un modello astratto dell'infrastruttura. Osserva l'ambiente reale in cui il veicolo si muove.
02. Analizza
L'immagine viene elaborata localmente dall'intelligenza artificiale.
Il sistema ha il compito di riconoscere anomalie e potenziali pericoli, invece di limitarsi alla registrazione passiva del materiale.
03. Reagisce
L'evento rilevato può essere trasmesso al centro di controllo con il relativo contesto.
È proprio questa fase che permette il passaggio dal monitoraggio a un sistema di supporto alle decisioni.
Ed è una differenza fondamentale.
Manutenzione predittiva nelle ferrovie - intervenire prima che si verifichi un guasto
Una delle applicazioni più importanti dell'intelligenza artificiale nel trasporto su rotaia è la Predictive Maintenance, ovvero la manutenzione predittiva.
L'approccio tradizionale spesso si basa su programmi di ispezione, procedure periodiche e reazione ai guasti rilevati.
La manutenzione predittiva cambia la logica operativa.
Invece di chiedere: “Quando effettuare la prossima ispezione?”
il sistema può spostarsi verso la domanda: “I dati disponibili mostrano segni di un problema e quanto velocemente può diventare critico?”
È una differenza enorme dal punto di vista della gestione dell'infrastruttura.
L'AI può utilizzare dati da immagini, sensori, geometria della rotaia, vibrazioni e altre fonti per identificare pattern che indicano problemi potenziali. Le ricerche attuali mostrano che l'imaging, l'analisi delle vibrazioni e i dati sulla geometria della rotaia sono fonti importanti per la manutenzione predittiva basata su AI nelle ferrovie.
L'Unione Internazionale delle Ferrovie UIC ha condotto il progetto Artificial Intelligence for Predictive Maintenance, con l'obiettivo di accelerare l'adozione dell'AI nel settore ferroviario e sviluppare casi d'uso che passino da PoC e piloti ad applicazioni operative.
Questo dimostra che AI e Predictive Maintenance non sono più solo esperimenti tecnologici. Sono una delle direzioni reali della digitalizzazione ferroviaria.
Perché il monitoraggio dell'infrastruttura ferroviaria ha bisogno dell'AI?
L'infrastruttura ferroviaria è estesa. Sono centinaia e migliaia di chilometri di binari, condizioni atmosferiche diverse, illuminazione variabile, traffico veicolare, vegetazione, animali, oggetti vicini alla sede ferroviaria e lo stato tecnico dell'infrastruttura che cambia nel tempo.
L'uomo non può osservare costantemente tutta l'infrastruttura. Un sistema informatico può invece effettuare un'analisi in modo continuo. Questo non significa eliminare l'uomo. Al contrario.
Il modello più prezioso è quello in cui l'AI opera come un ulteriore livello di percezione e analisi, fornendo all'uomo informazioni già filtrate e classificate.
Questo approccio permette di spostare l'uomo dal ruolo di osservatore di una enorme quantità di dati al ruolo di decisore basato sulle informazioni preparate dal sistema.
Dalle telecamere alla fusione dei dati e al LiDAR
Le telecamere sono solo l'inizio.
Il passo successivo nello sviluppo dei sistemi di percezione può essere la fusione dei dati provenienti da sensori diversi.
VAR24 prevede l'integrazione con la tecnologia LiDAR, che utilizza impulsi laser per creare una rappresentazione spaziale dell'ambiente.
Perché è importante?
L'immagine della telecamera fornisce informazioni visive.
Il LiDAR può fornire informazioni spaziali.
Combinare diverse fonti di dati consente di costruire un modello più completo dell'ambiente osservato.
Questo è particolarmente rilevante nelle situazioni in cui l'analisi dell'immagine può essere ostacolata da condizioni di illuminazione o atmosferiche.
È importante notare che un simile approccio è già presente in ricerche e sviluppi polacchi sull'automazione del monitoraggio dell'infrastruttura ferroviaria. Il progetto UAVforRail utilizza, tra l'altro, AI, RGB, LiDAR e termografia per l'identificazione automatica dei difetti dell'infrastruttura ferroviaria.
Orizzonte ampliato della percezione
Il passo successivo non è solo vedere con maggiore precisione. È vedere più lontano.
Per un sistema di sicurezza ferroviaria può essere importante non solo lo stato del binario immediatamente davanti al veicolo, ma anche la situazione nell'area circostante.
Per questo la roadmap di VAR24 prevede l'ampliamento dell'analisi, tra l'altro, su:
- linea di contatto,
- ambiente immediatamente adiacente al binario,
- animali sulla sede ferroviaria,
- veicoli ai passaggi a livello,
- frane,
- altre potenziali ostacoli e anomalie.
In questo modo il sistema inizia a passare dal monitoraggio dell'infrastruttura alla percezione dell'ambiente di trasporto.
E la percezione è uno dei pilastri dell'autonomizzazione.
Dall'osservazione alla reazione autonoma
Il trasporto ferroviario autonomo non inizia con il treno che prende tutte le decisioni da solo.
Inizia molto prima.
Prima la macchina deve: vedere.
Poi: capire.
Poi: valutare il rischio.
E solo dopo: reagire.
Per questo motivo i sistemi di computer vision, Edge AI, LiDAR e fusione dei dati sono così importanti per il futuro della ferrovia autonoma.
Le ricerche attuali mostrano che l'automazione completa a livello GoA4 è già utilizzata in parte dei sistemi metropolitani, mentre la sua applicazione sulle linee principali rimane molto più complessa a causa dei requisiti di sicurezza e della complessità dell'ambiente operativo aperto.
VAR24 si inserisce quindi in un percorso logico di sviluppo: osservazione → analisi → previsione → percezione dell'ambiente → reazione → autonomizzazione.
La sicurezza ferroviaria richiede dati in tempo reale
Nei sistemi critici il tempo è fondamentale.
Se l'informazione su un potenziale pericolo arriva solo dopo il termine del passaggio o dopo l'analisi manuale del materiale, il suo valore operativo può essere limitato.
Per questo l'analisi dei dati in tempo reale è uno degli elementi più importanti della concezione VAR24.
Il sistema non deve solo raccogliere informazioni. Deve elaborarle. Deve riconoscere anomalie. Deve trasmettere il messaggio corretto. E in futuro - secondo la roadmap del progetto - può diventare un elemento di reazione attiva a minacce critiche.
VAR24 - roadmap di sviluppo
Lo sviluppo del sistema è stato suddiviso in fasi successive.
Fase 1 - sistema visivo / PoC
Ottica avanzata e intelligenza artificiale servono a rilevare danni all'infrastruttura presenti nell'immediata area di copertura del sistema.
Fase 2 - fusione dei dati e LiDAR
Integrazione di ulteriori fonti di dati spaziali e aumento delle capacità di percezione dell'ambiente.
Fase 3 - orizzonte ampliato della percezione
Estensione dell'analisi alla linea di contatto e all'ambiente del binario.
Fase 4 - reazione attiva
La concezione finale prevede il raggiungimento di un livello di affidabilità del 99,99% e la possibilità di avviare automaticamente la procedura di emergenza di frenatura in caso di identificazione di una minaccia critica a una distanza superiore al tempo di reazione umano.
Questo è l'obiettivo di sviluppo di VAR24, non una dichiarazione delle capacità attuali del sistema.
Ed è proprio questa distinzione che è cruciale nelle tecnologie per la sicurezza.
Tecnologia non invasiva - AI senza rifare l'infrastruttura
Uno degli aspetti interessanti della concezione VAR24 è la sua natura non invasiva per l'installazione.
Invece di rifare l'infrastruttura ferroviaria esistente, il sistema può essere sviluppato come uno strato tecnologico aggiuntivo che utilizza telecamere e un computer di bordo dedicato.
Questo apre una strada completamente diversa per l'implementazione dell'AI nelle ferrovie.
Non è necessario partire dalla costruzione dell'intera infrastruttura da zero.
Si può iniziare da uno strato intelligente di percezione che sfrutta i passaggi dei veicoli sulla rete ferroviaria per raccogliere e analizzare continuamente informazioni.
Tecnologia polacca per la ferrovia europea
VAR24 è sviluppato come progetto R&D originato dalle strutture di Web24.com.pl Sp. z o.o., una software house polacca operativa dal 2008.
Secondo le assunzioni del progetto VAR24 è finanziato autonomamente e sviluppato senza dipendere da capitale esterno.
Questo è un elemento importante della storia del progetto.
Non si tratta solo di creare un'altra soluzione che utilizza l'AI.
L'obiettivo è costruire una tecnologia che possa trovare applicazione in uno dei settori infrastrutturali più esigenti - il trasporto su rotaia.
Il futuro delle ferrovie sarà basato sulla percezione
Per decenni lo sviluppo delle ferrovie si è concentrato sull'aumento della velocità, della capacità, dell'automazione del controllo e sulla modernizzazione dell'infrastruttura.
La fase successiva è l'intelligenza del sistema.
Il treno del futuro non dovrebbe solo percorrere una rotta pianificata. Dovrebbe comprendere sempre meglio l'ambiente in cui si trova. Dovrebbe rilevare anomalie. Dovrebbe prevedere potenziali problemi. Dovrebbe fornire le informazioni corrette all'operatore. E, in applicazioni adeguatamente certificate e sicure - in futuro - potrebbe anche intraprendere determinate azioni automaticamente.
Per questo lo sviluppo di AI per le ferrovie, Edge Computing, computer vision, LiDAR, Predictive Maintenance e sistemi autonomi non sono cinque tendenze indipendenti.
Sono elementi di un unico processo più ampio. Il processo di passaggio da una ferrovia osservata dall'uomo a una ferrovia che sa osservare, analizzare e reagire da sola.
VAR24 vuole essere parte di questo processo.
VAR24.
Vede. Analizza. Reagisce.
