Železnica je systém, v ktorom bezpečnosť závisí od tisícov prvkov pôsobiacich súčasne. Koľaje, výhybky, trakčná sieť, priecestia, inžinierske objekty a okolie trate tvoria prostredie, ktoré musí byť neustále monitorované.
Problém už nespočíva výlučne v tom, aby sa zozbieralo čo najviac dát.
Problém je v tom, aby sa nebezpečenstvo zistilo dostatočne skoro, správne interpretovalo a odovzdalo osobe alebo systému, ktorý môže zasiahnuť.
Práve v tomto okamihu sa uplatňuje umelá inteligencia.
AI v železničnej doprave - od záznamu obrazu k porozumeniu reality
Klasický monitorovací systém predovšetkým zaznamenáva.
Kamera môže uložiť hodiny videozáznamu, no sama o sebe neodpovedá na najdôležitejšiu otázku:
Stalo sa na sledovanom obraze niečo, čo si vyžaduje reakciu?
Človek môže analyzovať záznam, ale rozsah dát rýchlo presahuje možnosti manuálnej kontroly. Čím viac priechodov, kilometrov trate a kamier, tým väčší problém predstavuje selekcia informácií.
Preto vývoj computer vision, machine learning a AI pre železnice mení prístup k monitorovaniu infraštruktúry.
Systém založený na umelej inteligencii môže analyzovať obraz z hľadiska špecifických vzorov a anomálií, klasifikovať udalosti a posielať operátorovi len informácie vyžadujúce pozornosť.
To je zásadná zmena.
Namiesto: kamera → záznam → človek → analýza
dostávame: kamera → AI → detekcia anomálie → kontext udalosti → reakcia.
Edge Computing - prečo by mala AI fungovať blízko zdroja dát?
Jedným z kľúčových prvkov moderných systémov AI pre železnice je Edge Computing.
V tradičnom modeli môžu byť dáta odoslané na centrálny server alebo do cloudu, kde sú analyzované. V prípade monitorovania železničnej infraštruktúry to však znamená nutnosť preniesť obrovské množstvá vizuálnych dát.
VAR24 využíva iný koncept.
Analýza prebieha lokálne, na hrane siete, s použitím dedikovaného mikropočítača a systému kamier.
Má to podstatný význam.
Ak má systém fungovať v reálnom čase, nemožno závisieť od každého rozhodnutia, ktoré by si vyžadovalo odoslanie celého dátového toku do externého centra spracovania.
Edge AI umožňuje presunúť časť inteligencie priamo do zariadenia nachádzajúceho sa v vozidle.
Dáta sa analyzujú tam, kde vznikajú.
Vďaka tomu je možné znížiť oneskorenia, zmenšiť množstvo ďalej prenášaných dát a vytvoriť architektúru vhodnú pre aplikácie vyžadujúce rýchlu reakciu.
Práve preto je Edge Computing v železničnej doprave jedným z perspektívnych smerov vývoja inteligentných bezpečnostných systémov.
Aktuálny výskum AI v údržbe železničnej infraštruktúry vyzdvihuje Edge AI ako jeden z vývojových smerov vedľa Digital Twins a kyber-fyzikálnych systémov.
VAR24 - vidí, analyzuje, reaguje
Koncepcia VAR24 stojí na troch základných fázach.
01. Vidí
Predné kamery sledujú trať z perspektívy rušňovodiča.
To je dôležité, lebo systém neanalyzuje abstraktný model infraštruktúry. Pozoruje reálne prostredie, v ktorom sa vozidlo pohybuje.
02. Analyzuje
Obraz je spracovávaný umelou inteligenciou lokálne.
Úlohou systému je rozpoznávať anomálie a potenciálne nebezpečenstvá, namiesto toho, aby sa obmedzoval len na pasívne zaznamenávanie materiálu.
03. Reaguje
Zaznamenaná udalosť môže byť odoslaná do dispečerského centra spolu s kontextom.
Práve táto fáza umožňuje prechod od monitoringu k systému podporujúcemu rozhodovanie.
A to je fundamentálny rozdiel.
Predictive Maintenance v železniciach - údržba skôr, než nastane porucha
Jedným z najdôležitejších využití umelej inteligencie v železničnej doprave je Predictive Maintenance, teda prediktívna údržba.
Tradičný prístup často vychádza z plánovaných revízií, obdobných procedúr a reakcie na zistené poruchy.
Predictive Maintenance mení logiku fungovania.
Namiesto otázky: „Kedy vykonať ďalšiu kontrolu?“
môže systém smerovať k otázke: „Ukazujú dostupné dáta známky problému a ako rýchlo môže vyústiť do kritickej situácie?“
To je obrovský rozdiel z pohľadu správy infraštruktúry.
AI môže využívať dáta z zobrazovania, senzorov, geometrie koľaje, vibrácií a iných zdrojov na identifikáciu vzorcov naznačujúcich potenciálne problémy. Prehľad súčasných vedeckých štúdií ukazuje, že práve zobrazovanie, analýza vibrácií a údaje o geometrii trate patria medzi dôležité zdroje používané v AI-podporovanej prediktívnej údržbe pre železnice.
Medzinárodná únia železníc UIC viedla projekt Artificial Intelligence for Predictive Maintenance, ktorého cieľom bolo urýchliť nasadenie AI v železničnom sektore a rozvinúť use-cases od PoC a pilotov až po operatívne nasadenia.
To ukazuje, že AI a Predictive Maintenance už nie sú len technologickým experimentom. Sú reálnym smerom digitalizácie železníc.
Prečo monitorovanie železničnej infraštruktúry potrebuje AI?
Železničná infraštruktúra je rozsiahla. Sú to stovky a tisíce kilometrov tratí, rôzne poveternostné podmienky, meniace sa osvetlenie, premávka vozidiel, vegetácia, zvieratá, objekty v bezprostrednom okolí trate a meniaci sa technický stav infraštruktúry.
Človek nie je schopný neustále sledovať celú infraštruktúru. Počítačový systém však môže vykonávať analýzu kontinuálne. Neznamená to elimináciu človeka. Práve naopak.
Najhodnotnejším modelom je taký, v ktorom AI pôsobí ako dodatočná vrstva percepcie a analýzy, a človek dostáva informácie už primerane prefiltrované a klasifikované.
Tento prístup umožňuje presunúť človeka z role pozorovateľa obrovského množstva dát do role rozhodovateľa na základe informácií pripravených systémom.
Od kamier k fúzii dát a LiDAR
Kamery sú len začiatok.
Ďalším krokom vývoja percepčných systémov môže byť fúzia dát pochádzajúcich z rôznych senzorov.
VAR24 predpokladá integráciu s technológiou LiDAR, teda systémom využívajúcim laserové impulzy na tvorbu priestorovej reprezentácie okolia.
Prečo je to dôležité?
Obraz z kamery poskytuje vizuálne informácie.
LiDAR môže dodať priestorové informácie.
Spojenie rôznych zdrojov dát umožňuje budovať komplexnejší model sledovaného prostredia.
To je obzvlášť dôležité v situáciách, keď analýza obrazu môže byť sťažená z dôvodu osvetlenia alebo poveternostných podmienok.
Dôležité je, že podobný smer už je prítomný v poľských výskumno-vývojových prácach zameraných na automatické monitorovanie železničnej infraštruktúry. Projekt UAVforRail využíva mimo iného AI, RGB, LiDAR a termovíziu na automatickú identifikáciu porúch infraštruktúry.
Rozšírený horizont percepcie
Ďalším krokom nie je len presnejšie videnie. Je ním vidieť ďalej.
Pre bezpečnostný systém železníc môže mať význam nielen stav koľaje priamo pred vozidlom, ale aj situácia v jeho okolí.
Preto roadmapa VAR24 plánuje rozšírenie analýzy napríklad o:
- trakčnú sieť,
- okolie trate,
- zvieratá na koľaji,
- vozidlá na priecestiach,
- zosuvy,
- iné potenciálne prekážky a anomálie.
Týmto spôsobom systém začína prechádzať od monitorovania infraštruktúry k percepcii dopravného prostredia.
A práve percepcia je jedným zo základov automatizácie.
Od pozorovania k autonómnej reakcii
Autonómna železničná doprava nezačína tým, že vlak sám robí všetky rozhodnutia.
Začína to omnoho skôr.
Najskôr musí stroj: vidieť.
Potom: rozumieť.
Následne: hodnotiť riziko.
A až potom: reagovať.
Práve preto sú systémy computer vision, Edge AI, LiDAR a fúzia dát také dôležité pre budúcnosť autonómnej železnice.
Súčasné štúdie ukazujú, že plná automatizácia na úrovni GoA4 je už použitá v časti systémov metra, zatiaľ čo jej nasadenie na hlavných tratiach zostáva omnoho náročnejšie vzhľadom na bezpečnostné požiadavky a zložitosť otvoreného prevádzkového prostredia.
VAR24 tak zapadá do logickej vývojovej línie: pozorovanie → analýza → predikcia → percepcia okolitého prostredia → reakcia → automatizácia.
Bezpečnosť železníc vyžaduje dáta v reálnom čase
V kritických systémoch má čas veľký význam.
Ak informácia o potenciálnom nebezpečenstve príde až po prejazde alebo po manuálnom prešetrení záznamu, jej operačná hodnota môže byť obmedzená.
Preto je analýza dát v reálnom čase jedným z najdôležitejších prvkov koncepcie VAR24.
Systém má nielen zhromažďovať informácie. Má ich spracovávať. Má rozpoznávať anomálie. Má posielať správnu výzvu. A v budúcnosti - v súlade s roadmapou projektu - môže byť súčasťou aktívnej reakcie na kritické ohrozenie.
VAR24 - roadmapa vývoja
Vývoj systému je rozdelený do po sebe idúcich fáz.
Fáza 1 - vizuálny systém / PoC
Pokročilá optika a umelá inteligencia slúžia na detekciu poškodení infraštruktúry nachádzajúcich sa v bezprostrednom dosahu systému.
Fáza 2 - fúzia dát a LiDAR
Integrácia ďalších priestorových zdrojov dát a zvýšenie možností percepcie prostredia.
Fáza 3 - rozšírený horizont percepcie
Rozšírenie analýzy o trakčnú sieť a okolie trate.
Fáza 4 - aktívna reakcia
Cieľová koncepcia predpokladá dosiahnutie úrovne spoľahlivosti 99,99 % a možnosť automatického spustenia núdzového brzdenia v prípade identifikovania kritického ohrozenia na vzdialenosť presahujúcu reakčný čas človeka.
To je rozvojový cieľ VAR24, nie vyhlásenie o súčasných schopnostiach systému.
A práve takéto rozlíšenie je kľúčové v bezpečnostných technológiách.
Neinvazívna technológia - AI bez prestavby infraštruktúry
Jedným z zaujímavých prvkov koncepcie VAR24 je jej inštalačná neinvazívnosť.
Namiesto prestavby existujúcej železničnej infraštruktúry môže byť systém rozvíjaný ako doplnková technologická vrstva využívajúca kamery a dedikovaný palubný počítač.
To otvára potenciálne úplne inú cestu nasadzovania AI v železničnej doprave.
Netreba začínať budovaním celej infraštruktúry od základu.
Môže sa začať od inteligentnej vrstvy percepcie, ktorá využíva existujúce prejazdy vozidiel po železničnej sieti na kontinuálne zhromažďovanie a analýzu informácií.
Poľská technológia pre európske železnice
VAR24 je vyvíjaný ako R&D projekt pochádzajúci zo štruktúr Web24.com.pl Sp. z o.o., poľského software house-u pôsobiaceho od roku 2008.
Podľa predpokladov projektu je VAR24 financovaný samostatne a vyvíjaný bez závislosti na externom kapitáli.
To je dôležitý prvok príbehu projektu.
Nejde len o vznik ďalšieho riešenia využívajúceho AI.
Cieľom je vybudovať technológiu, ktorá môže nájsť uplatnenie v jednom z najnáročnejších infraštruktúrnych sektorov - železničnej doprave.
Budúcnosť železníc bude založená na percepcii
Desiatky rokov sa rozvoj železníc sústredil na zvyšovanie rýchlosti, kapacity, automatizácie riadenia a modernizáciu infraštruktúry.
Ďalším krokom je inteligencia systému.
Vlak budúcnosti by nemal len premávať po naplánovanej trase. Mal by čoraz lepšie rozumieť prostrediu, v ktorom sa nachádza. Mal by detegovať anomálie. Mal by predpovedať potenciálne problémy. Mal by poskytovať operátorovi správne informácie. A v primerane certifikovaných a bezpečných aplikáciách - v budúcnosti - môže tiež vykonávať určité činnosti automaticky.
Preto vývoj AI pre železnice, Edge Computing, computer vision, LiDAR, Predictive Maintenance a autonómnych systémov nie sú piatimi nezávislými trendmi.
Sú súčasťou jedného väčšieho procesu. Procesu prechodu od železníc pozorovaných človekom k železniciam, ktoré samé dokážu pozorovať, analyzovať a reagovať.
VAR24 chce byť súčasťou tohto procesu.
VAR24.
Vidí. Analyzuje. Reaguje.
