بینایی کامپیوتر و یادگیری عمیق برای حمل و نقل

حمل و نقل یک بخش ضروری در زندگی روزمره است ما را قادر می کند تا کالاها را از یک مکان به مکانی دیگر ببریم، تجارت کرده و تعامل داشته باشیم. حوزه حمل و نقل انقلاب های زیادی را در طول صد ها سال گذشته مشاهده کرده است. امروزه ما در جایگاهی هستیم که یک پیشرفت چشمگیر در حمل و نقل از طریق هوش مصنوعی بدست آمده است.

هوش مصنوعی صنعت حمل و نقل را با اتوماسیون مستقل خودرو ها، کشتی ها، قطارها و هواپیماها را تغییر داده است که منجر به ترافیک بهتر می شود. علاوه بر آسان تر کردن زندگی، استفاده از هوش مصنوعی منجر به یک حمل و نقل امن تر، تمیز تر، هوشمندانه تر و بهینه تر برای همه می شود.

حمل و نقل خودران که توسط هوش مصنوعی هدایت می شود می تواند منجر به کاهش خطاهای انسانی در تصادف های ترافیکی شود. 

بازارجهانی برای تکنولوژی های مرتبط با حمل و نقل هوش مصنوعی رشد چشمگیری داشته اند و از ۱.۴ $ به ۱.۷ $ دلار در پایان سال ۲۰۱۷ رسیده و تخمین زده می شود که در سال ۲۰۲۳ به ۳.۵ میلیارد دلار برسد.

بعلاوه در دسترس بودن و مقرون به صرفه بودن سخت افزارهای محاسباتی (برای مثال CPU و GPU ‌ها)‌ و تکنولوژی های IoT (برای مثال LTE  و 5 G) توانایی را برای کاربردهای مختلف در حوزه حمل و نقل فراهم کرده است. این مجموعه در مورد استفاده از بینایی کامپیوتر و یادگیری عمیق در صنعت و کسب و کارهای بزرگ است. در ادامه به بیان مزایا، چالش ها و کاربردها با استفاده از یادگیری عمیق در حوزه حمل و نقل می پردازیم.

بینایی کامپیوتر و یادگیری عمیق برای حمل و نقل

مزایا

امنیت و قابلیت اطمینان

خطاهای انسانی (برای مثال سرعت غیر مجاز، حواس پرتی، استفاده از نوشیدنی های غیر مجاز) مقصر بیشتر از ۹۰ درصد تصادفات رانندگی هستند از این سو، امنیت و قابلیت اطمینان مهم ترین خصوصیات برای فردی است که در صنعت حمل و نقل کار می کند. مسافران نیاز دارند تا بدانند که خودشان و اموالشان در امنیت هستند و وسیله حمل و نقل و اپراتور آن قابل اطمینان هستند.

با ظهور تکنولوژی AI، سطوح امنیتی می توانند از استاندارد های بالاتری برخوردار شوند. توانایی هوش مصنوعی برای تحلیل داده های زیاد به اپراتورهای حمل و نقل و سفر و حتی مردم عادی کمک می کند تا سرویس های حمل و نقل عمومی و خصوصی را به صورت بهتری زمانبندی کنند. محققین معتقداند که وسایلی که از هوش مصنوعی استفاده می کنند می توانند مرگ و میر ترافیکی را تا پایان سال ۲۰۵۰ تا ۹۰ درصد در کشورهای توسعه یافته کاهش دهد.

کارایی

کشورهای در حال توسعه در شاخص کارایی لجستیک (LPI) نسبت به کشورهای توسعه یافته رتبه پایین تری دارند و این امر به دلیل نبود کارایی به دلیل زیرساخت ناکافی و پروسه های سفارشی سازی شده ضعیف است. هوش مصنوعی بدون شک موثر بودن کارایی سیستم های حمل و نقل را تقویت می کند که این موضوع یک جنبه ضروری در سفر است. به طور خاص، هوش مصنوعی می تواند در e-logistics مفید باشد جایی که از تکنولوژی های مرتبط با اینترنت برای تطبیق دادن (مچ کردن) ارسال کنندگان و تحویل دهندگان در زنجیره عرضه و تقاضا استفاده می شود.

آلودگی

تولید دود از وسایل نقلیه به طرز چشمگیری آلودگی و گرمایش جهانی را افزایش می دهد. با تمرکز بیشتر دنیا روی محیط زیست، یک کاهش چشمگیر در تولید دود در صنعت حمل نقل و سفر برای سازگاری طولانی مدت آن ها با محیط زیست مورد نیاز است. هوش مصنوعی می تواند در استفاده از راه حل های جدید و نوآورانه برای مواجه شدن با افزایش آلودگی با توانمند سازی دانشمندان برای کشف متدهای جدید برای راه اندازی وسایل نقلیه و ماشین ها برای سفر بسیار کارا عمل کند. McKinsey پیش بینی کرده است که کامیون های خودران هزینه های عملیاتی را تا ۴۵ درصد کاهش می دهند. در نتیجه تاثیرات زیست محیطی به طور چشمگیری کاهش پیدا می کنند (شکل 1).

کاربردها

حمل و نقل جاده ای

حمل و نقل جاده ای یکی از مهم ترین بخش هایی است که هوش مصنوعی در آن به صورت گسترده استفاده شده است. در سراسر جهان، سازندگان وسایل نقلیه موتوری و تجهیزات تکنولوژی در حال بررسی فناوری های مختلف هوش مصنوعی و الگوریتم ها برای توسعه وسایل نقلیه هوشمند برای مقاصد تجاری و شخصی هستند. این دستگاه ها از سنسورهای متنوعی مانند GPS ها، دوربین ها و رادار در کنار شتاب دهنده ها (دستگاه هایی که یک سیگنال ورودی را به حرکت تبدیل می کنند)، واحد کنترل و نرم افزار برای اجرای اعمال هوشمند (برای مثال رانندگی خودکار)‌ استفاده می کنند.

دسته های کامیون (Truck platooning) به جفت کردن چندین وسیله نقلیه بار سنگین (HGV) در یک فاصله حداقلی اشاره دارد تا به آنها اجازه دهد به طور همزمان شتاب بگیرند یا ترمز کنند (شکل 2). یک انسان وظیفه رانندگی HGV را برعهده دارد و رانندگانی که در HGV ها دنبال می کنند ممکن است فقط در شرایط ترافیکی پیچیده یا حوادث غیرمنتظره حضور داشته باشند. انتظار می رود با مداخله هوش مصنوعی، مسئولیت رانندگان در پیروی از HGV ها به تدریج کاهش یابد.

مدیریت ترافیک

در حال حاضر از الگوریتم های هوش مصنوعی به طور گسترده در وسایل نقلیه برای بهبود جریان ترافیک استفاده می شود. به عنوان مثال، پلتفرم اوبر در مسافت‌های کوتاه از تکنیک‌های هوش مصنوعی در تمام جنبه‌های خدمات خود، از تطبیق دادن افراد پیاده و رانندگان گرفته تا بهینه‌سازی مسیر استفاده می‌کند. الگوریتم‌های هوش مصنوعی نیز در مدیریت ترافیک جاده‌ای برای تجزیه و تحلیل الگوی ترافیک و حجم استفاده می‌شوند و اطلاعات سریع‌ترین مسیر را در اختیار رانندگان قرار می‌دهند. این کار آنها را از هرگونه تراکم ترافیک رها می کند و زمان رفت و آمد آنها را کاهش می دهد. چنین الگوریتم‌هایی همچنین می‌توانند جریان ترافیک را از طریق علائم راهنمایی و رانندگی و چراغ‌هایی که در لحظه تغییر می کنند برای برآوردن نیازهای جریان ترافیک مدیریت کنند.

به عنوان مثال، Surtrac از Rapid Flow Technologies (شکل 3)، یکی از شاخه‌های فرعی دانشگاه Carnegie Mellon، شبکه‌ای از ۹ سیگنال ترافیکی را در سه جاده اصلی در پیتسبورگ برای نصب راه‌حل‌های کنترل ترافیک هماهنگ کرده است. راه حل آنها زمان سفر را ۲۵ درصد کاهش داده است و زمان انتظار نیز به طور متوسط ۴۰ درصد کاهش پیدا کرد و آلایندگی خودروها نیز ۲۰ درصد کاهش یافته است.

هوانوردی

استفاده از هوش مصنوعی در صنعت هوانوردی موضوع جدید نیست. با این حال، با پیشرفت های اخیر در هوش مصنوعی، این صنعت به طور قابل توجهی بر نحوه انجام کسب و کار تأثیر می گذارد. مدیریت افزایش ترافیک هوایی حوزه مهمی است که پیشرفت در اتوماسیون و قدرت محاسباتی می تواند مفید باشد. گزارش انجمن بین المللی حمل و نقل هوایی (IATA) به این موضوع اشاره دارد که توسعه سیستم های هواپیمای بدون سرنشین (UAS) و مدیریت ترافیک UAS با استفاده از قابلیت های محاسباتی پیشرفته، فرصت های جدیدی را برای بهبود سیستم های مدیریت ترافیک موجود، استانداردهای جداسازی و طراحی برنامه ریزی فضای هوایی ایجاد می کند.

شرکت تحقیقاتی SESAR (Single European Sky ATM Research) از چندین پروژه تحقیقاتی هوش مصنوعی و مدیریت ترافیک هوایی (ATM) پشتیبانی کرده است که برخی از این موضوعات عبارتند از:

• قابلیت پیش بینی ترافیک در مراحل مختلف پرواز
• بهبود جریان حرکت مسافران در فرودگاه ها
• اتوماسیون بیشتر

یکی از کاربردهای یادگیری ماشین در صنعت هوانوردی، استفاده از پیشینه رفتاری مشتری در لحظه و انتخاب استراتژی مناسب است (برای مثال تنظیم محتوای وب سایت ارائه شده به مشتری) است. این موضوع همچنین شامل تجزیه و تحلیل احساسات رسانه های اجتماعی نیز است که نیازهای مشتریان را بر اساس رفتار رسانه های اجتماعی آنها پیش بینی می کند. به عنوان مثال، پروژه BigData4ATM به این موضوع می‌پردازد که چگونه هوش مصنوعی می‌تواند داده‌های مختلف مکان‌یابی مسافران را برای شناسایی الگوهای رفتاری آن ها، زمان سفر درب به درب و انتخاب حالت سفر تجزیه و تحلیل کند (شکل 4). با بهره گیری از دستگاه‌های هوشمند و خدمات مرتبط، محققان می‌توانند به داده‌های طولی (دینامیک) در مقیاس بزرگ و دقیق دسترسی پیدا کنند تا فرضیه‌های مربوط به رفتار مسافران را آزمایش کنند.

یک حوزه دیگر که هوش مصنوعی می تواند در آن تفاوت ایجاد کند جابجایی زمینی از ورود به فرودگاه تا سوار شدن به هواپیما است.  این امر شامل کاربردهایی مثل چک های امنیتی، عملیات جابجایی هواپیما (یدک کشی و حرکت رو به عقب)‌، عملیات های آماده سازی (سوختگیری، پذیرایی، بارگزاری وسایل و خارج کردن آن ها از هواپیما و غیره)‌ و حمل و نقل زمینی روی رمپ (مسافران، وسایل، محموله و نامه) می شود. همچنین هوش مصنوعی می‌تواند امنیت فرودگاه را با هضم مقدار زیادی از داده‌های تاریخی و بی‌درنگ تسهیل کند.

علاوه بر این، سازندگان هواپیما از هوش مصنوعی برای حل مشکلات خلبانان در کابین خلبان و پیش بینی تعمیر و نگهداری هواپیما استفاده می‌کنند. به عنوان مثال، یک استارت آپ انگلیسی به نام Aerogility، با استفاده از EasyJet کار می کند تا برنامه ریزی تعمیر و نگهداری روزانه ناوگان خود را خودکار کند، از جمله این موارد می توان به پیش بینی کردن نیاز به تعمیر و نگهداری سنگین، بازدید از موتورخانه، و تعمیرات اساسی ارابه فرود اشاره کرد. سازندگان ایرباس از ابزار مشابهی به نام Skywise برای  پیش بینی کردن نیاز به تعمیر و نگهداری و تجزیه و تحلیل داده ها استفاده می کند.

شرکت های متعددی نیز از تکنولوژی هوش مصنوعی برای تحویل محموله هایی با انواع و اندازه های مختلف استفاده کرده اند. برای مثال Nautilus که یک استارت آپ مستقر در کالیفرنیا است، در حال توسعه یک پهپاد باری با ظرفیت ۹۰ تن است.

حمل و نقل ریلی

حل و نقل ریلی همواره یکی از نوآورانه‌ترین بخش‌های اقتصاد بوده است که برای اولین بار برای مسافران این امکان را فراهم کرد تا مسافت‌های طولانی‌تری را طی کنند. آنها همچنین عامل مهمی در انقلاب صنعتی بودند. هوش مصنوعی می تواند به بهبود تولید، عملیات و نگهداری اپراتورهای ریلی و مدیران زیرساخت کمک کند. این امر مدیریت را بهبود می بخشد، هزینه ها را کاهش می دهد و رقابت را با سایر روش های حمل و نقل افزایش می دهد.

اتوماسیون هوشمند قطار

یکی از مهم ترین کمک های هوش مصنوعی در حوزه حمل و نقل ریلی، اتوماسیون عملیات قطار (ATO) است که مسئولیت مدیریت عملیات قطار را از راننده به سیستم کنترل قطار با درجات مختلف آزادی عمل منتقل می کند. این امر معمولاً شامل انتقال ظرفیت‌های حسی و فکری رانندگان قطار به یک ماژول رانندگی خودکار بوده که همواره آماده واکنش نشان دادن به خطرات احتمالی است. علاوه بر این، ماژول طراحی باید رفتار مسافران را در سکوهای راه آهن درک کرده و به صورت یکپارچه در آورد تا امکان بسته شدن خودکار درب قطار بدون اینکه خطری بوجود بیاید را محقق کند.

Shift2Rail (شکل 5)، یک برنامه تحقیق و توسعه است که توسط اتحادیه اروپا برای توسعه و تایید یک استاندارد برای تمام بخش‌های راه آهن (خطوط اصلی/سریع، شهری/حومه‌ای، منطقه‌ای و باری) در حال اجرا است. علاوه بر این، آنها در حال انجام فعالیت های مرتبط با اتوماسیون قطار برای بهینه سازی استفاده از منابع هستند. از آنجایی که بازار حمل و نقل کانتینری در حال رشد است، پروژه‌های زیادی برای همگام‌سازی بهتر حرکت قطارهای کانتینری برای بهبود تبادل اطلاعات و داده‌ها در لحظه در حال توسعه است.