ИИ на транспорте: новый подход к работе метро

Метро — основа городского общественного транспорта, ежедневно перевозящая миллионы пассажиров. В таких городах, как Нью-Йорк и Токио, метро ежедневно пользуются более 3 и 6 миллионов человек соответственно. По мере роста городов становится крайне важно сделать метро эффективнее, безопаснее и комфортнее для пассажиров.

Здесь на помощь приходит искусственный интеллект (AI), меняющий всё — от покупки билетов до обслуживания поездов. В этой статье мы проедем по системе метро и посмотрим, как ИИ улучшает каждый этап поездки, а также разберём скрытые технологии ИИ, которые обеспечивают бесперебойную работу.

ИИ в общественном транспорте начинается со сбора платы за проезд#

Обычно поездка в метро начинается с очереди за билетом и прохода через турникеты. ИИ помогает оптимизировать этот процесс, делая его быстрее и удобнее для пассажиров. Например, в системах продажи билетов в метро можно использовать технологию распознавания лиц. В крупных городах пассажиры могут пользоваться услугами без бумажных билетов и транспортных карт. Вместо этого на входе сканируют лица, чтобы обеспечить беспрепятственный проход. В 2019 году Пекин внедрил систему распознавания лиц, чтобы справиться с переполненностью и сократить длинные очереди в часы пик.

Рис. 1. Система распознавания лиц в метро Шэньчжэня, Китай.

Грамотно интегрированный ИИ упрощает ежедневные поездки и приносит пользу миллионам пассажиров. Системы продажи билетов на основе ИИ не только улучшают качество обслуживания пассажиров, но и повышают безопасность. Анализируя данные о лицах, система проверяет, что на станцию проходят только пассажиры с разрешением. ИИ быстро подтверждает личность, блокирует несанкционированный доступ и выявляет потенциальные угрозы. Это ускоряет вход, повышает безопасность и сокращает число безбилетных поездок.

Навигация по линиям метро с помощью ИИ#

После входа в метро бывает трудно сориентироваться на станции, особенно в час пик. Навигационные системы на основе ИИ упрощают перемещение по метро, предлагая пассажирам актуальные подсказки в реальном времени. Такие системы используют алгоритмы ИИ для анализа данных GPS, датчиков и камер, чтобы находить оптимальные маршруты и предоставлять точные актуальные указания. Пассажиры могут пользоваться мобильными приложениями, похожими на Google Maps, и получать пошаговые указания по станции, чтобы быстро найти платформы, выходы и необходимые объекты. Навигация на основе ИИ экономит время и помогает снизить стресс.

Помимо навигации, данные с камер и систем компьютерного зрения в метро можно использовать для мониторинга плотности толпы в реальном времени. Камеры по всей станции могут подсчитывать пассажиров в отдельных зонах, выявляя потенциальные узкие места и переполненные участки. Эти данные помогают транспортным службам заранее принимать меры, например корректировать интервалы движения поездов или направлять сотрудников для управления потоками людей. Например, в Дубае ИИ экспериментально применяли, чтобы снизить загруженность на 40–60% и сократить время ожидания до 30 минут в часы пик и во время массовых мероприятий.

Рис. 2. Подсчёт людей в метро с помощью обнаружения объектов.

Посадка и поездка в метро с поддержкой ИИ#

Когда пассажиры садятся в поезд, ИИ может по-разному улучшить их поездку. Вот несколько примеров:

• Помощь в обеспечении доступности: методы компьютерного зрения, например обнаружение объектов, могут выявлять пассажиров на инвалидных колясках и направлять их в наиболее доступную часть поезда. Процесс закрытия дверей также можно изменить, чтобы дать таким пассажирам больше времени на безопасную посадку.
• Персонализированные объявления и реклама: ИИ можно использовать для настройки объявлений для пассажиров и рекламы в зависимости от того, кто находится в поезде и в какое время.
• Проверка пустого поезда: На конечной станции сети метро компьютерное зрение можно использовать для проверки, что в поезде не осталось пассажиров.
• Контроль забытых вещей: Если кто-то оставит багаж, компьютерное зрение может обнаружить его и вывести изображение на экраны платформы. После этого пассажиры смогут легко забрать свои вещи.

Поезда метро тоже могут работать на базе ИИ. Полностью автономные поезда могут безопасно двигаться без экипажа. Они используют продвинутые алгоритмы для принятия решений в реальном времени и датчики для обнаружения препятствий и безопасного движения. Поезда метро на базе ИИ сокращают расходы на персонал, обеспечивают большую гибкость для перевозки большего числа пассажиров с более качественным обслуживанием, могут точнее придерживаться расписания и оптимизируют ускорение и торможение для снижения энергопотребления. Например, проект Honolulu Rail Transit — первая полностью автономная система в США. Ожидается, что она снизит загруженность дорог и выбросы, устранив около 40 000 поездок на автомобиле в день.

Рис. 3. Беспилотное метро в Милане, Италия.

Использование ИИ для мониторинга пассажиров, выходящих со станции метро#

Для эффективного управления пассажиропотоком метро важно также отслеживать, сколько людей выходит на разных станциях. Ключевую роль в этом процессе играют модели ИИ, например Ultralytics YOLOv8. YOLOv8 также поддерживает отслеживание объектов и может распознавать и отслеживать несколько объектов в реальном времени, что делает модель подходящей для загруженных систем метро. Анализируя видеопотоки с камер, установленных по всей станции, YOLOv8 может подсчитывать пассажиров, выходящих из метро, отслеживать их перемещения и выявлять закономерности скопления людей.

За пределами выходных турникетов метро ИИ можно интегрировать в решения для преодоления последней мили. Велопрокатные станции, сервисы вызова автомобилей и шаттлы с поддержкой ИИ упрощают пассажирам путь от станции. Анализируя данные в реальном времени, ИИ может прогнозировать спрос и доступность этих услуг. Эта технология также помогает выбирать оптимальные маршруты и виды транспорта с учётом текущей дорожной обстановки и индивидуальных предпочтений. В результате пассажиры могут сразу по выходе со станции воспользоваться наиболее подходящим транспортом, меньше ждать и ехать с большим комфортом.

ИИ за кулисами: обслуживание путей метро#

Мы, пассажиры, часто не замечаем сложных процессов, которые обеспечивают поездки в метро. ИИ играет важную роль за кулисами, особенно при осмотре и обслуживании путей. Такие системы, как портал осмотра железнодорожных вагонов Duos Technologies (RIP), демонстрируют этот подход на основе ИИ. Используя алгоритмы ИИ, RIP за считаные секунды снимает и анализирует круговые изображения каждого вагона, даже при скорости более 125 миль в час. Эти периферийные системы ИИ выявляют неисправности и сообщают железнодорожному персоналу о необходимости обслуживания в течение 60 секунд. Постоянный мониторинг помогает быстро выявлять и устранять потенциальные проблемы.

Управление энергопотреблением и его оптимизация — другие, не слишком известные области применения ИИ в метро. Например, Metro de Madrid использует систему на основе ИИ, которая снижает затраты на вентиляцию на 25% и сокращает выбросы CO₂ на 1 800 тонн в год. Система управляет 891 вентиляционным вентилятором, которые потребляют до 80 гигаватт-часов энергии в год, и использует алгоритм оптимизации, вдохновлённый собирательным поведением пчелиных колоний. Алгоритм анализирует большие объёмы данных, учитывая такие факторы, как температура воздуха, архитектура станций, частота движения поездов, пассажиропоток и цены на электричество. Используя исторические и смоделированные данные, он прогнозирует и подбирает оптимальный баланс для каждой станции, со временем улучшая результаты с помощью машинного обучения.

Рис. 4. Система вентиляции Metro de Madrid на основе ИИ.

Плюсы и минусы ИИ в общественном транспорте#

Интеграция ИИ в системы метро принесла множество преимуществ. Например, она повышает эффективность: помогает соблюдать расписание, сокращать задержки и оптимизировать работу, обеспечивая более плавное движение поездов. Непрерывный мониторинг также повышает безопасность, а предиктивное обслуживание помогает предотвращать аварии и неисправности.

Однако внедрение ИИ в метро сопряжено с рядом сложностей, например:

• Проблемы конфиденциальности данных: сбор и использование данных о пассажирах вызывают серьёзные опасения относительно конфиденциальности. Чтобы защитить права каждого человека на неприкосновенность частной жизни, с такими данными нужно обращаться крайне осторожно.
• Интеграция с существующей инфраструктурой: Внедрение систем ИИ в существующую инфраструктуру метро может быть сложным и потребовать её модернизации.
• Высокие затраты на внедрение: первоначальные расходы на внедрение технологий ИИ могут быть значительными, что может стать препятствием для некоторых систем метро.
• Необходимость в квалифицированных специалистах: Для успешного внедрения и обслуживания систем ИИ нужны высококвалифицированные специалисты, что может создавать дефицит ресурсов.

Несмотря на эти сложности, преимущества делают ИИ преобразующей силой в современных городских транспортных системах, таких как метро. Потенциал повышения эффективности и безопасности, а также улучшения качества поездок объясняет, почему сообщество ИИ активно работает над преодолением этих препятствий, чтобы в полной мере реализовать преимущества ИИ. Поэтому в следующий раз, когда поедешь на метро, обрати внимание на инновации в области ИИ, которые сопровождают твою поездку.

Будущее ИИ в транспорте#

От входа на станцию до навигации, поездки и выхода из метро ИИ меняет весь путь пассажира. Он оптимизирует работу, повышает безопасность и делает поездки комфортнее. Улучшая обслуживание путей и управление энергопотреблением, ИИ помогает метро работать эффективно и с меньшими затратами. Несмотря на такие трудности, как расходы на внедрение и вопросы конфиденциальности данных, преимущества ИИ для городских транспортных систем, например метро, очевидны. По мере роста городов ИИ будет играть всё более важную роль в том, чтобы поездки на метро становились удобнее, безопаснее и эффективнее.

Оставайся на связи с нашим сообществом, чтобы продолжать изучать ИИ! Загляни в наш репозиторий GitHub, чтобы узнать, как мы можем применять ИИ для создания инновационных решений в разных отраслях, например в сельском хозяйстве и производстве.