Společnost International Road Dynamics (IRD) zkoumá řadu způsobů, jak aplikovat umělou inteligenci (AI) na provoz užitkových vozidel (CVO). Cílem je zvýšit bezpečnost a efektivitu vozových parků užitkových vozidel a nákladní dopravy. Výsledkem je řada řešení, která lze přizpůsobit konkrétním požadavkům uživatelů.

Přidání umělé inteligence a její podmnožiny aplikací strojového učení (ML) do CVO zlepšuje přesnost systémů vážení v pohybu (WIM). Umožňuje automatické vizuální kontroly a poskytuje ověření kontrolních stavů. Dalším možným využitím je porovnávání vozidel pro sledování užitkových vozidel v rozsáhlých kontrolních nebo přístavních zařízeních.

Pozadí
Stanice kontroly užitkových vozidel se staly vysoce automatizovanými, aby se zabránilo tvorbě front, které by mohly zasahovat do jízdních pruhů a představovat bezpečnostní riziko. Pro dosažení maximální efektivity byly stanice kontrolního vážení navrženy tak, aby předem vybíraly užitková vozidla, u nichž je pravděpodobné, že budou mít nadměrnou hmotnost nebo budou představovat jiné bezpečnostní problémy, ještě předtím, než se dostanou do kontrolního zařízení.

WIM byla jednou z prvních technologií, které se běžně používaly pro předběžnou kontrolu. Od té doby se k ní přidala technologie elektronické kontroly, která dokáže identifikovat vozidla pomocí automatického rozpoznávání registračních značek (ALPR), palubních transpondérů nebo mobilních aplikací a elektronicky zkontrolovat jejich doklady a bezpečnostní záznamy. Nadále se vyvíjejí také nové technologie fyzické kontroly, jako jsou například senzory IRD pro silniční kontrolu bezpečnosti pneumatik.

Umělá inteligence zahrnuje celou řadu technologií, které se snaží kopírovat úkoly, jež běžně vykonávají lidé. ML ve spojení s počítačovým viděním nabízí možnosti automatizace úkolů vizuální kontroly a zpřesnění předvýběru. Mnoho vážních stanic je již vybaveno strojovým viděním pro poskytování snímků užitkových vozidel porovnávaných s informacemi WIM nebo pro poskytování snímků pro identifikaci vozidel pomocí ALPR nebo optického rozpoznávání znaků čísel DOT.
 
Současné trendy
Pro mnoho aplikací řízení dopravy se stále častěji využívá cloud computing. Webové služby dávají dobrý smysl, pokud chceme zpracovávat i velmi velké množství dat ze vzdálených míst. Avšak tam, kde je požadováno rozhodování v daném okamžiku - například při předvýběru užitkových vozidel - je vhodnější mít více inteligence na okraji.

Společnost IRD proto soustředila své úsilí na rozvoj schopností periferních  zařízení. Specifické výpočetní jednotky AI ve spojení s malými, výkonnými průmyslovými počítači nebo inteligentními kamerami umožňují aplikace založené na hlubokých neuronových sítích a počítačovém vidění, které pracují v reálném čase. Ty lze použít na okraji silnice, kde se mohou snadno integrovat s elektronikou ITS a řídicími jednotkami WIM, jako je iSinc společnosti IRD.
 
Detekce polohy v jízdních pruzích a mimo měřítko
Poloha v jízdním pruhu byla v minulosti faktorem přesnosti WIM, protože kola umístěná mimo snímač nebo stupnici vedou k nepřesným měřením. K identifikaci vozidel, která nejsou ve správné poloze, se používaly snímače, ale systémy založené na ML mohou tuto funkci vykonávat nerušivě. To umožňuje řešit otázku dodržování předpisů řidiči a vyhýbání se měření.

Identifikace dynamického zatížení pro zlepšení kalibrace
Systémy WIM mají větší potíže s přesným vážením dynamických (pohyblivých) břemen, jako jsou kapaliny, hospodářská zvířata a cement. Efektivní kalibrace je pro CVO důležitá, protože pokrok v přesnosti WIM vede k cílenějšímu screeningu v kontrolních zařízeních a nabízí možnost využití WIM pro přímé vymáhání. Přímé postihování zahrnuje použití údajů WIM jako základu pro obvinění z nadměrné hmotnosti bez následného ověření hmotnosti na statických vahách. Důvěra v přesnost WIM je překážkou pro zavedení WIM pro přímé vymáhání. Vývoj mimořádně přesných systémů WIM by pomohl tuto překážku překonat.

Průběžně kalibrovaný systém WIM (CCWIM) zahrnuje použití dat ze statických vah k průběžnému ověřování údajů získaných z blízkých zařízení WIM.

Testy IRD prokázaly schopnost koncepce CCWIM poskytovat lepší výsledky kalibrace v průběhu času než periodické testování pomocí opakovaného průjezdu vozidel o známé hmotnosti. Dalším krokem může být přidání umělé inteligence, která zlepší rozpoznávání dynamických a statických tříd zatížení, a tak určí vozidla, která je třeba pro účely kalibrace WIM vyloučit.

Za tímto účelem společnost IRD vycvičila hlubokou neuronovou síť s konkrétními anotovanými snímky a dosáhla úrovně spolehlivosti identifikace až 99 %. Snímky byly pořízeny z typu videokamer, který již byl instalován na kontrolních stanicích pro poskytování přehledových snímků softwaru obsluhy váhových stanic. Infračervené osvětlovače umožnily dobrý výkon v nočních podmínkách.
 
Celý článek najdete na stránkách ITS International zde.