Ο σιδηρόδρομος είναι ένα σύστημα όπου η ασφάλεια εξαρτάται από χιλιάδες στοιχεία που λειτουργούν ταυτόχρονα. Οι γραμμές, τα μετατροπικά, το δίκτυο τροφοδοσίας, οι διάβασεις, οι τεχνικές κατασκευές και το περιβάλλον της γραμμής δημιουργούν ένα περιβάλλον που πρέπει να παρακολουθείται συνεχώς.
Το πρόβλημα δεν είναι πλέον αποκλειστικά να συλλέξουμε όσο το δυνατόν περισσότερα δεδομένα.
Το πρόβλημα είναι να αντιληφθούμε την απειλή αρκετά νωρίς, να την ερμηνεύσουμε σωστά και να μεταβιβάσουμε την πληροφορία σε ένα άτομο ή σύστημα που μπορεί να αντιδράσει.
Εδώ ακριβώς εμφανίζεται η τεχνητή νοημοσύνη.
AI στον σιδηρόδρομο - από την καταγραφή εικόνας στην κατανόηση της πραγματικότητας
Ένα κλασικό σύστημα παρακολούθησης κυρίως καταγράφει.
Η κάμερα μπορεί να αποθηκεύσει ώρες βίντεο, αλλά από μόνη της δεν απαντά στην πιο σημαντική ερώτηση:
Έγινε κάτι στην παρατηρούμενη εικόνα που απαιτεί αντίδραση;
Ο άνθρωπος μπορεί να αναλύσει την εγγραφή, αλλά η κλίμακα των δεδομένων γρήγορα υπερβαίνει τις δυνατότητες χειροκίνητου ελέγχου. Όσο περισσότερες διελεύσεις, χιλιόμετρα γραμμής και κάμερες, τόσο μεγαλύτερο είναι το πρόβλημα της επιλογής πληροφοριών.
Γι’ αυτό η ανάπτυξη της computer vision, machine learning και AI για τον σιδηρόδρομο αλλάζει τον τρόπο προσέγγισης της παρακολούθησης της υποδομής.
Ένα σύστημα βασισμένο στην τεχνητή νοημοσύνη μπορεί να αναλύει την εικόνα για συγκεκριμένα πρότυπα και ανωμαλίες, να ταξινομεί τα γεγονότα και να μεταβιβάζει στον χειριστή μόνο τις πληροφορίες που απαιτούν προσοχή.
Αυτή είναι μια ουσιαστική αλλαγή.
Αντί για: κάμερα → εγγραφή → άνθρωπος → ανάλυση
παίρνουμε: κάμερα → AI → ανίχνευση ανωμαλίας → context γεγονότος → αντίδραση.
Edge Computing - γιατί η AI πρέπει να λειτουργεί κοντά στην πηγή δεδομένων;
Ένα από τα βασικά στοιχεία των σύγχρονων συστημάτων AI για τον σιδηρόδρομο είναι το Edge Computing.
Στο παραδοσιακό μοντέλο τα δεδομένα μπορεί να αποστέλλονται σε κεντρικό διακομιστή ή στο cloud για ανάλυση. Στην παρακολούθηση της σιδηροδρομικής υποδομής αυτό σημαίνει την ανάγκη μεταφοράς τεράστιων ποσοτήτων οπτικών δεδομένων.
Το VAR24 αξιοποιεί μια διαφορετική ιδέα.
Η ανάλυση γίνεται τοπικά, στο άκρο του δικτύου, με τη χρήση ενός αφιερωμένου μικροϋπολογιστή και ενός συστήματος καμερών.
Αυτό έχει ουσιώδη σημασία.
Εάν το σύστημα πρέπει να λειτουργεί σε πραγματικό χρόνο, δεν μπορούμε να εξαρτώμαστε για κάθε απόφαση από τη μεταφορά ολόκληρου του ροής δεδομένων σε εξωτερικό κέντρο επεξεργασίας.
Το Edge AI επιτρέπει να μεταφερθεί μέρος της ευφυΐας απευθείας στη συσκευή που βρίσκεται στο όχημα.
Τα δεδομένα αναλύονται εκεί που παράγονται.
Έτσι είναι δυνατή η μείωση των καθυστερήσεων, η μείωση του όγκου δεδομένων που αποστέλλονται και η δημιουργία αρχιτεκτονικής κατάλληλης για εφαρμογές που απαιτούν γρήγορη αντίδραση.
Γι’ αυτό το Edge Computing στο σιδηρόδρομο είναι μια από τις ενδιαφέρουσες κατευθύνσεις ανάπτυξης ευφυών συστημάτων ασφάλειας.
Τρέχουσες έρευνες για την AI στη συντήρηση της σιδηροδρομικής υποδομής δείχνουν το Edge AI ως μία από τις κατευθύνσεις ανάπτυξης, δίπλα στα Digital Twins και τα κυβερνο-φυσικά συστήματα.
VAR24 - βλέπει, αναλύει, αντιδρά
Η ιδέα VAR24 βασίζεται σε τρία βασικά στάδια.
01. Βλέπει
Οι εμπρόσθιες κάμερες παρατηρούν τη χάραξη από την προοπτική του μηχανοδηγού.
Αυτό είναι σημαντικό, επειδή το σύστημα δεν αναλύει ένα αφηρημένο μοντέλο υποδομής. Παρατηρεί το πραγματικό περιβάλλον μέσα στο οποίο κινείται το όχημα.
02. Αναλύει
Η εικόνα επεξεργάζεται τοπικά από την τεχνητή νοημοσύνη.
Ο σκοπός του συστήματος είναι να αναγνωρίζει ανωμαλίες και πιθανούς κινδύνους, αντί να περιορίζεται σε παθητική καταγραφή του υλικού.
03. Αντιδρά
Ένα ανιχνευμένο περιστατικό μπορεί να μεταβιβαστεί στο κέντρο ελέγχου μαζί με το context.
Αυτό το στάδιο επιτρέπει τη μετάβαση από την παρακολούθηση σε ένα σύστημα υποστήριξης αποφάσεων.
Και αυτή είναι μια θεμελιώδης διαφορά.
Predictive Maintenance στον σιδηρόδρομο - συντήρηση πριν εμφανιστεί η βλάβη
Μια από τις σημαντικότερες εφαρμογές της τεχνητής νοημοσύνης στις σιδηροδρομικές μεταφορές είναι το Predictive Maintenance, δηλαδή η προγνωστική συντήρηση.
Η παραδοσιακή προσέγγιση συχνά βασίζεται σε προγράμματα ελέγχων, περιοδικές διαδικασίες και αντίδραση σε ανιχνευμένες βλάβες.
Το Predictive Maintenance αλλάζει τη λογική λειτουργίας.
Αντί να ρωτάμε: «Πότε πρέπει να γίνει ο επόμενος έλεγχος;»
το σύστημα μπορεί να προσεγγίζει την ερώτηση: «Μπορούν τα διαθέσιμα δεδομένα να δείξουν ενδείξεις προβλήματος και πόσο γρήγορα μπορεί αυτό να γίνει σημαντικό;»
Αυτή είναι μια τεράστια διαφορά από την άποψη της διαχείρισης της υποδομής.
Η AI μπορεί να χρησιμοποιεί δεδομένα από απεικόνιση, αισθητήρες, γεωμετρία γραμμής, δονήσεις και άλλες πηγές για να εντοπίσει πρότυπα που υποδεικνύουν πιθανά προβλήματα. Οι τρέχουσες επιστημονικές μελέτες δείχνουν ότι η απεικόνιση, η ανάλυση δονήσεων και τα δεδομένα γεωμετρίας γραμμής είναι σημαντικές πηγές για την AI-based predictive maintenance στον σιδηρόδρομο.
Η Διεθνής Ένωση Σιδηροδρόμων UIC υλοποίησε έργο με τίτλο Artificial Intelligence for Predictive Maintenance, με στόχο την επιτάχυνση της χρήσης της AI στον σιδηροδρομικό τομέα και την ανάπτυξη περιπτώσεων χρήσης από PoC και πιλοτικές εφαρμογές έως λειτουργικές εφαρμογές.
Αυτό δείχνει ότι η AI και το Predictive Maintenance δεν είναι πλέον μόνο τεχνολογικά πειράματα. Είναι μια από τις πραγματικές κατευθύνσεις ψηφιοποίησης του σιδηροδρόμου.
Γιατί η παρακολούθηση της σιδηροδρομικής υποδομής χρειάζεται AI;
Η σιδηροδρομική υποδομή είναι εκτεταμένη. Είναι εκατοντάδες και χιλιάδες χιλιόμετρα γραμμών, διαφορετικές καιρικές συνθήκες, μεταβαλλόμενος φωτισμός, κίνηση οχημάτων, βλάστηση, ζώα, αντικείμενα κοντά στη γραμμή και μεταβαλλόμενη τεχνική κατάσταση της υποδομής.
Ο άνθρωπος δεν μπορεί να παρακολουθεί συνεχώς όλη την υποδομή. Ένα υπολογιστικό σύστημα μπορεί να εκτελεί αναλύσεις συνεχώς. Αυτό δεν σημαίνει εξάλειψη του ανθρώπου. Αντιθέτως.
Το πιο πολύτιμο μοντέλο είναι εκείνο όπου η AI λειτουργεί ως επιπλέον επίπεδο αντίληψης και ανάλυσης, και ο άνθρωπος λαμβάνει ήδη κατάλληλα φιλτραρισμένες και ταξινομημένες πληροφορίες.
Αυτή η προσέγγιση επιτρέπει τη μετατόπιση του ρόλου του ανθρώπου από παρατηρητή μιας τεράστιας ποσότητας δεδομένων σε εκείνον που παίρνει αποφάσεις βάσει πληροφοριών που έχει προετοιμάσει το σύστημα.
Από τις κάμερες στη συγχώνευση δεδομένων και το LiDAR
Οι κάμερες είναι μόνο η αρχή.
Το επόμενο βήμα στην εξέλιξη των συστημάτων αντίληψης μπορεί να είναι η συγχώνευση δεδομένων από διάφορους αισθητήρες.
Το VAR24 προβλέπει την ενσωμάτωση της τεχνολογίας LiDAR, δηλαδή ενός συστήματος που χρησιμοποιεί παλμούς λέιζερ για τη δημιουργία τρισδιάστατης αναπαράστασης του περιβάλλοντος.
Γιατί αυτό είναι σημαντικό;
Η εικόνα από την κάμερα παρέχει οπτικές πληροφορίες.
Το LiDAR μπορεί να παρέχει χωρικές πληροφορίες.
Ο συνδυασμός διαφορετικών πηγών δεδομένων επιτρέπει την κατασκευή ενός πιο πλήρους μοντέλου του παρατηρούμενου περιβάλλοντος.
Αυτό είναι ιδιαίτερα σημαντικό σε καταστάσεις όπου η ανάλυση εικόνας μπορεί να δυσχεραίνεται από συνθήκες φωτισμού ή καιρού.
Σημειωτέον, παρόμοια κατεύθυνση υπάρχει ήδη σε πολωνικά ερευνητικά και αναπτυξιακά έργα για την αυτόματη παρακολούθηση της σιδηροδρομικής υποδομής. Το έργο UAVforRail χρησιμοποιεί μεταξύ άλλων AI, RGB, LiDAR και θερμογραφία για την αυτόματη ταυτοποίηση βλαβών της σιδηροδρομικής υποδομής.
Επαυξημένος ορίζοντας αντίληψης
Το επόμενο βήμα δεν είναι μόνο να βλέπουμε πιο ακριβώς. Είναι να βλέπουμε πιο μακριά.
Για ένα σύστημα ασφάλειας σιδηροδρόμου μπορεί να έχει σημασία όχι μόνο η κατάσταση της γραμμής ακριβώς μπροστά από το όχημα, αλλά και η κατάσταση στο περιβάλλον του.
Γι’ αυτό το οδικό χάρτη του VAR24 προβλέπει την επέκταση της ανάλυσης μεταξύ άλλων σε:
- το δίκτυο τροφοδοσίας,
- το άμεσο περιβάλλον της γραμμής,
- ζώα που βρίσκονται στις γραμμές,
- οχήματα σε σιδηροδρομικές διαβάσεις,
- κατολισθήσεις,
- άλλα πιθανά εμπόδια και ανωμαλίες.
Με αυτόν τον τρόπο το σύστημα αρχίζει να μετακινείται από την παρακολούθηση υποδομής προς την αντίληψη του μεταφορικού περιβάλλοντος.
Και η αντίληψη είναι ένα από τα θεμέλια της αυτονομίας.
Από την παρατήρηση στην αυτόνομη αντίδραση
Η αυτόνομη σιδηροδρομική μεταφορά δεν ξεκινά με το να λαμβάνει ο τρένος όλες τις αποφάσεις από μόνο του.
Ξεκινά πολύ πιο νωρίς.
Πρώτα η μηχανή πρέπει: να βλέπει.
Έπειτα: να κατανοεί.
Στη συνέχεια: να αξιολογεί τον κίνδυνο.
Και μόνο αργότερα: να αντιδρά.
Γι’ αυτό τα συστήματα computer vision, Edge AI, LiDAR και συγχώνευσης δεδομένων είναι τόσο σημαντικά για το μέλλον της αυτόνομης σιδηροδρομικής μεταφοράς.
Τρέχουσες έρευνες δείχνουν ότι πλήρης αυτοματοποίηση στο επίπεδο GoA4 εφαρμόζεται ήδη σε μέρη ορισμένων συστημάτων μετρό, ενώ η εφαρμογή της σε κύριες γραμμές παραμένει πολύ πιο δύσκολη λόγω απαιτήσεων ασφάλειας και της πολυπλοκότητας ενός ανοικτού επιχειρησιακού περιβάλλοντος.
Το VAR24 εντάσσεται έτσι σε μια λογική πορεία ανάπτυξης: παρατήρηση → ανάλυση → πρόβλεψη → αντίληψη περιβάλλοντος → αντίδραση → αυτονομία.
Η ασφάλεια του σιδηροδρόμου απαιτεί δεδομένα σε πραγματικό χρόνο
Σε κρίσιμα συστήματα ο χρόνος έχει σημασία.
Εάν η πληροφορία για μια πιθανή απειλή εμφανιστεί μόνο μετά το πέρας της διέλευσης ή μετά από χειροκίνητη ανάλυση του υλικού, η επιχειρησιακή της αξία μπορεί να είναι περιορισμένη.
Γι’ αυτό η ανάλυση δεδομένων σε πραγματικό χρόνο είναι ένα από τα πιο σημαντικά στοιχεία της ιδέας VAR24.
Το σύστημα δεν πρέπει μόνο να συσσωρεύει πληροφορίες. Πρέπει να τις επεξεργάζεται. Να αναγνωρίζει ανωμαλίες. Να μεταβιβάζει το κατάλληλο μήνυμα. Και στο μέλλον - σύμφωνα με το οδικό χάρτη του έργου - μπορεί να γίνει στοιχείο ενεργής αντίδρασης σε κρίσιμη απειλή.
VAR24 - οδικός χάρτης ανάπτυξης
Η εξέλιξη του συστήματος έχει χωριστεί σε διαδοχικά στάδια.
Φάση 1 - οπτικό σύστημα / PoC
Προηγμένη οπτική και τεχνητή νοημοσύνη χρησιμεύουν για την ανίχνευση βλαβών υποδομής που βρίσκονται στο άμεσο πεδίο του συστήματος.
Φάση 2 - συγχώνευση δεδομένων και LiDAR
Ενσωμάτωση επιπλέον χωρικών πηγών δεδομένων και αύξηση των δυνατοτήτων αντίληψης του περιβάλλοντος.
Φάση 3 - επαυξημένος ορίζοντας αντίληψης
Επέκταση της ανάλυσης στο δίκτυο τροφοδοσίας και στο περιβάλλον της γραμμής.
Φάση 4 - ενεργή αντίδραση
Η τελική ιδέα προβλέπει την επίτευξη επιπέδου αξιοπιστίας 99,99% και τη δυνατότητα αυτόματης έναρξης διαδικασίας έκτακτης πέδησης σε περίπτωση εντοπισμού κρίσιμης απειλής σε απόσταση που υπερβαίνει το χρόνο αντίδρασης του ανθρώπου.
Αυτός είναι ο αναπτυξιακός στόχος του VAR24, και όχι μια δήλωση των παρόντων δυνατοτήτων του συστήματος.
Και αυτή η διάκριση είναι κρίσιμη στις τεχνολογίες ασφάλειας.
Μη επεμβατική τεχνολογία - AI χωρίς ανακατασκευή της υποδομής
Ένα ενδιαφέρον στοιχείο της ιδέας VAR24 είναι η μη επεμβατική εγκατάστασή της.
Αντί να αναδομήσουμε την υπάρχουσα σιδηροδρομική υποδομή, το σύστημα μπορεί να αναπτυχθεί ως επιπλέον τεχνολογικό στρώμα που χρησιμοποιεί κάμερες και έναν αφιερωμένο επίβλεψης υπολογιστή εντός του οχήματος.
Αυτό ανοίγει ενδεχομένως έναν εντελώς διαφορετικό δρόμο για την υιοθέτηση της AI στον σιδηρόδρομο.
Δεν χρειάζεται να ξεκινήσουμε από το να χτίσουμε ολόκληρη την υποδομή από το μηδέν.
Μπορούμε να ξεκινήσουμε από ένα έξυπνο στρώμα αντίληψης που χρησιμοποιεί τις υπάρχουσες διελεύσεις οχημάτων στο δίκτυο για συνεχή συλλογή και ανάλυση πληροφοριών.
Πολωνική τεχνολογία για τον ευρωπαϊκό σιδηρόδρομο
Το VAR24 αναπτύσσεται ως έργο R&D που προέρχεται από τη δομή της Web24.com.pl Sp. z o.o., ενός πολωνικού software house που δραστηριοποιείται από το 2008.
Σύμφωνα με τις υποθέσεις του έργου, το VAR24 χρηματοδοτείται ανεξάρτητα και αναπτύσσεται χωρίς εξάρτηση από εξωτερικό κεφάλαιο.
Αυτό είναι ένα σημαντικό στοιχείο στην ιστορία του έργου.
Δεν πρόκειται απλώς για τη δημιουργία μιας ακόμη λύσης που χρησιμοποιεί AI.
Ο στόχος είναι η δημιουργία τεχνολογίας που μπορεί να βρει εφαρμογή σε έναν από τους πιο απαιτητικούς τομείς υποδομών - τις σιδηροδρομικές μεταφορές.
Το μέλλον του σιδηροδρόμου θα βασίζεται στην αντίληψη
Για δεκαετίες η ανάπτυξη του σιδηρόδρομου επικεντρώθηκε στην αύξηση της ταχύτητας, της χωρητικότητας, της αυτοματοποίησης του ελέγχου και της αναβάθμισης της υποδομής.
Το επόμενο στάδιο είναι η ευφυΐα του συστήματος.
Το τρένο του μέλλοντος δεν πρέπει απλώς να κινείται σε μια προγραμματισμένη διαδρομή. Πρέπει να κατανοεί όλο και καλύτερα το περιβάλλον στο οποίο βρίσκεται. Να ανιχνεύει ανωμαλίες. Να προβλέπει πιθανά προβλήματα. Να παρέχει στον χειριστή τις κατάλληλες πληροφορίες. Και σε κατάλληλα πιστοποιημένες και ασφαλείς εφαρμογές - στο μέλλον - να μπορεί επίσης να αναλαμβάνει ορισμένες ενέργειες αυτόματα.
Γι’ αυτό η ανάπτυξη της AI για τον σιδηρόδρομο, του Edge Computing, της computer vision, του LiDAR, του Predictive Maintenance και των συστημάτων αυτονομίας δεν είναι πέντε ανεξάρτητες τάσεις.
Είναι στοιχεία μιας μεγαλύτερης διαδικασίας. Της διαδικασίας μετάβασης από έναν σιδηρόδρομο που παρατηρείται από τον άνθρωπο σε έναν σιδηρόδρομο που μπορεί να παρατηρεί, να αναλύει και να αντιδρά αυτόνομα.
Το VAR24 θέλει να είναι μέρος αυτής της διαδικασίας.
VAR24. Βλέπει. Αναλύει. Αντιδρά.
