Investigadores de Rutgers crean una herramienta de detección de intrusión ferroviaria asistida por inteligencia artificial. El sistema analiza secuencias de vídeo para detectar actividad peatonal ilegal y brinda datos para ayudar a reducir los accidentes de trenes prevenibles.y detener las muertes que han aumentado durante la última década.
Asim Zaman, ingeniero de proyectos de Rutgers, y Xiang Liu , profesor asociado de ingeniería de transporte en la Escuela de Ingeniería de Rutgers, crearon un marco asistido por AI que detecta automáticamente eventos de intrusión ferroviaria, diferencia los tipos de infractores y genera videoclips de infracciones. El sistema utiliza un algoritmo de detección de objetos para procesar datos de video en un solo conjunto de datos.
“Con esta información podemos responder numerosas preguntas, como a qué hora del día la gente traspasa más y si la gente rodea las puertas cuando bajan o suben”, dijo Zaman.
Evitar accidentes mortales en los pasos a nivel del tren
Cada año, cientos de personas en los EE. UU. mueren en accidentes de allanamiento en los 210.000 cruces ferroviarios del país, según la Administración Federal de Ferrocarriles. A pesar de los esfuerzos concertados para reducir las muertes, las muertes por atropello de trenes siguen aumentando. En 2008, la FRA estimó que alrededor de 500 personas morían anualmente al invadir los derechos de paso del ferrocarril. Diez años después, el número de suicidios incluidos había aumentado a 855, informó la FRA.
La Inteligencia Artificial detectó a un infractor de paso a nivel que traspasaba las barreras
Algoritmo para detectar intrusos en la red ferroviaria
En su investigación, Zaman y Liu definen a los intrusos como personas o vehículos no autorizados en un área de propiedad ferroviaria o de tránsito que no está destinada al uso público, o aquellos que ingresan a un paso a nivel señalizado después de haber sido activado.
Hasta ahora, la mayor parte de la investigación sobre el traspaso de vías férreas se derivaba de la información sobre víctimas.
Pero la investigación pasó por alto los cuasi accidentes: ocasiones que, según Zaman y Liu, pueden proporcionar información valiosa sobre los comportamientos de intrusión, lo que a su vez puede ayudar con el diseño de medidas de control más efectivas.
Para probar su teoría, los investigadores accedieron a imágenes de vídeo capturadas en un cruce en la zona urbana de Nueva Jersey. La ubicación del estudio tenía cámaras instaladas siguiendo la Ley de Reparación de Transporte de Superficie de Estados Unidos (FAST, por sus siglas en inglés) de 2015 . Pero la mayoría de los sistemas de vídeo en los cruces hoy en día no se revisan o se revisan manualmente, lo que requiere mucha mano de obra y es costoso.
Zaman y Liu entrenaron su IA y su herramienta de aprendizaje profundo para analizar 1.632 horas de imágenes de video de archivo del sitio de estudio. Lo que descubrieron fue que durante 68 días de monitoreo, ocurrieron 3.004 casos de allanamiento, un promedio de 44 por día.
Los investigadores también encontraron que casi el 70 por ciento de los intrusos eran hombres.
Aproximadamente un tercio invadió antes de que pasara el tren y la mayoría de las infracciones ocurrieron los sábados alrededor de las 5 p .m. Los resultados se publicaron en la revista Accident Analysis & Prevention. “A todo el mundo le encantan los datos, y eso es lo que ofrecemos”, dijo Zaman.
Zaman dijo que las autoridades locales podrían usar datos granulares como este para ubicar a los agentes de policía cerca de los cruces durante los períodos de máximas infracciones o para informar a los propietarios de vías férreas y a los tomadores de decisiones sobre soluciones de cruce más efectivas, como sistemas de eliminación de pasos a nivel o puertas y señales avanzadas.
Liu agregó: «Queremos brindarle a la industria ferroviaria y a los tomadores de decisiones herramientas para aprovechar el potencial sin explotar de la infraestructura de videovigilancia a través del análisis de riesgo de sus fuentes de datos en ubicaciones específicas».
Además de la ubicación de Nueva Jersey, los investigadores están realizando estudios en Virginia y Carolina del Norte y recientemente recibieron una subvención de $ 583,000 del Departamento de Transporte de EE. UU. para expandirse a otros estados, incluidos Connecticut, Massachusetts y Luisiana. Su trabajo está financiado por subvenciones de la FRA y la Administración Federal de Tránsito, y los colaboradores de investigación incluyen compañías ferroviarias, agencias de tránsito y departamentos de transporte estatales.
Fuente: The State University of New jersey
Otros artículos sobre Inteligencia Artificial y Seguridad Vial que te pueden interesar
- El poder de la Inteligencia Artificial en los videojuegos
- La confianza en la Inteligencia Artificial depende del uso
- Inteligencia Artificial: casos de uso en las empresas
- Impacto de la Inteligencia Artificial en el empleo
- Mapas digitales mejorados con Inteligencia Artificial
- Bicicleta diseñada con Inteligencia Artificial
- Ciberseguridad en vehículos autónomos frente a hackers
- Vehículos autónomos con visión de Rayos X
- El tráfico autónomo dependerá de las matemáticas
- La red 4G podría evitar accidentes en tráfico
- Gestión de flotas con reducción de accidentes en carretera mediante dispositivos inteligentes conectados
