Verkehrssicherheit

KI ermöglicht vollständige Überwachung von Tunneln

Mittels KI-Anwendungen in Tunneln können auffällige Verkehrsteilnehmer eindeutig identifiziert werden

Einleitung
Die KI- und Deep-Learning-Technologie bietet ein enormes Potenzial zur Erhöhung der Sicherheit und Effizienz in Straßentunneln und wird einen erheblichen Einfluss auf das Verkehrsmanagement haben. Obwohl die meisten heutigen Tunnel noch mit Standard-CCTV-Kameras ausgestattet sind, kann bei neuen Tunneln und bei der Sanierung bestehender Tunnel auf einen neuen Standard für die Sicherheit und Effizienz von Tunneln gesetzt werden, indem die KI-Technologie hinzugefügt wird.

Bei den Tunnelbetreibern gewinnt die KI- und Deep-Learning-Technologie zunehmend an Bedeutung und bietet vermutlich große Vorteile in Bezug auf die Sicherheit und Effizienz des Tunnels. Die praktischen Anwendungen der KI sind zahlreich. Durch die Analyse des Verkehrsverhaltens können Tunnelbetreiber rechtzeitig einen Präventivalarm für gefährliche Szenarien erhalten. Diese Informationen geben ihm die Möglichkeit, Entscheidungen zu treffen, die das Auftreten von Vorfällen verhindern können.

Bediener können in einer Krisensituation erweiterte Informationen erhalten, z. B. die Anzahl und den Standort von Personen, Autos, Einsatzfahrzeugen oder sogar Gefahrguttransporte im Tunnel zum aktuellen Zeitpunkt.

Aggressive Fahrer können an ihrem Fahrverhalten erkannt werden, indem sie schnell überholen, unangemessen dicht auffahren, auf einer Überholspur bleiben oder keine gerade Linie halten (z. B. betrunkene Fahrer). KI spielt auch eine wichtige Rolle bei der Vorbereitung des vernetzten und automatisierten Fahrens.

Was ist KI- und Deep-Learning?

Deep Learning ist für Systemdesigner ein leistungsfähiges Werkzeug zur Automatisierung und Beschleunigung komplexer und oftmals subjektiver Entscheidungsprozesse, um letztlich die Produktqualität und die Produktivität zu verbessern.

Deep Learning ist eine Form des maschinellen Lernens, bei der neuronale Netze mit zahlreichen tieferliegenden Schichten zwischen den Eingabe- und Ausgabeknoten genutzt werden. Nachdem ein Netzwerk das Training mit einem großen Datensatz durchlaufen hat, wird ein Modell erstellt, mit dem basierend auf den Eingabedaten genaue Vorhersagen getroffen werden können. In den neuronalen Netzen, die beim Deep Learning eingesetzt werden, wird die Ausgabe einer Schicht als Eingabe an die nächste Schicht übertragen. Die Optimierung des Modells erfolgt stufenweise, indem die Gewichtung der Verbindungen zwischen den Schichten geändert wird. In jedem Zyklus wird das Feedback zur Vorhersagegenauigkeit des Modells genutzt, um die Änderungen an der Verbindungsgewichtung zu steuern. Deep Learning basiert auf der Funktionsweise des menschlichen Gehirns.

Tunnelanwendungen für KI und Deep Learning
Die Notfahrzeugklassifizierung (EVC) warnt den Tunnelbetreiber vor einem sich nähernden Einsatzfahrzeug. Aufgrund der Erkennung kann eine Meldung auf Schildern angezeigt werden, um den Weg freizumachen, oder direkt an das Autoradio im Auto gesendet werden. Auf diese Weise verlieren Einsatzfahrzeuge beim Durchfahren des Verkehrs keine wichtige Zeit.

Eine Warnung vor unsozialem und unachtsamem Verhalten informiert den Bediener über eine mögliche gefährliche Situation. Auffällige Fahrer können erkannt und gestoppt werden, bevor Vorfälle generiert werden.

Informationen zum Situationsbewusstsein geben dem Bediener die tatsächliche Geschwindigkeit, Überlastung, Fahrzeugtypen oder Anzahl der Fahrzeuge und Personen an, die zum tatsächlichen Zeitpunkt anwesend sind. Diese Informationen sind entscheidend für die richtige Entscheidung, insbesondere in Krisensituationen.

Predictive Traffic Information sendet eine präventive Warnmeldung an den Bediener. Der Bediener kann die Situation bewerten und darauf reagieren.

Datenerfassung mit KI
Die KI-fähigen Kameras helfen dabei, den Verkehr am Rand durch Echtzeit-Datenerfassung und -verarbeitung dynamisch zu steuern, und liefern Eingaben an Verkehrssignalsteuerungen an Kontenpunkten, wodurch Verkehrsfluss und Sicherheit verbessert werden. Zukünftig können die Kameras mit 5G-Mobilfunkantennen nachgerüstet werden, um die V2X-Konnektivität (Vehicle-to-Everything) zu unterstützen und die Verkehrssicherheit weiter zu verbessern.

Die Cloud-Plattform FLIR Acyclica bietet die Tools und Analysen, die zum besseren Verständnis der Verkehrsdaten erforderlich sind. Wenn die Kameras mit der Cloud-Plattform gekoppelt sind, können Betreiber ihre KI-basierten Erkenntnisse auf Echtzeitdaten anwenden, um vorausschauende Änderungen des Verkehrsmusters für effizientere und sicherere Straßen vorzunehmen.

FLIR Wärmebild mit KI
Die Anwendung der KI- und Deep-Learning-Technologie auf Wärmebildvideos ermöglicht Anwendungen, die mit rein visuellen Systemen nicht möglich wären.

Wärmebildkameras in Kombination mit der KI- und Deep-Learning-Technologie bieten eine schnelle und genaue Erkennung zu jeder Zeit, tagsüber und nachts, bei widrigsten Wetterbedingungen und schwierigsten Lichtverhältnissen.

Eine Wärmebildkamera wird in ihrer Leistungsfähigkeit nicht durch schlechte Beleuchtung, Reflexionen oder starkem Sonnenlicht von außen am Ein- oder Ausgang von Tunneln beeinträchtigt. Sie kann die Temperatur jedes Objekts in seinem Sichtfeld messen und ist daher die schnellste Technologie, um einen gerade beginnenden Brand sofort zu erkennen.

Weitere Informationen

FLIR Systems Trading Belgium BVBA
BE-2321 Meer
www.flir.de

22.04.2021