背景
侵入铁路财产仍然是一个严重问题。
- 42% 的铁路死亡是由于侵入美国造成的
- 自 2011 年以来伤亡人数有所增加。
- 2020 年，联邦铁路管理局 (FRA) 报告了 1,091 名非法侵入伤亡事件， 造成 536 人死亡。
联邦机构对人工智能的使用越来越感兴趣，并且自主技术可以帮助解决这个问题。 FRA 一直资助研究 使用无人驾驶飞行器（UAV）来监控铁路是否有非法侵入者。
目标
RAIILS 的目标是评估基于人工智能的工具在减少 侵入铁路财产。
- 协助开发用于实时侵入者检测的机器学习技术。
- 实施了基于人工智能/分析的技术，有助于解决侵入问题。
- 展示了通过执行使技术适应边缘计算框架的可行性 在移动机器人平台上（空中和地面）。
- 在相关的现实场景（现场）中测试了建议的解决方案。
方法
- 足球比赛结果正在使用人工智能和边缘计算框架来缩短响应时间和 降低带宽要求。
- 原型系统由一个集成摄像头/CPU 模块组成，能够 安装在杆式或无人机上。
- 足球比赛结果与政府和行业利益相关者进行了访谈，以了解 了解侵入铁路财产所带来的需求和挑战。
方法
- 我们的团队开发了对感兴趣地点的侵入者的自动检测，使用 实时进行的人工智能/机器学习检测算法。
- 使用无人机内置的机载计算，通过 AI/ML 算法分析输入图像。
- RAIILS 系统可以在检测到潜在风险时自动发送电子邮件或短信 利益相关方的侵入者。
- 开发基准系统。
- 使用树莓派。
- 用于实时人物检测的暗网神经网络架构。
- 开发了用于现场部署的升级系统。
- 使用带有专用 GPU 的 Jetson Nano。
- 已迁移至采用现代单次检测算法的 MobileNet2 模型。
- 测试了用于侵入者检测的热图像以及暗网架构 和稳健主成分分析 (RPCA)。
初步结果
第 1 阶段
项目团队的努力使得能够展示实时人物 使用 Raspberry Pi + 5MP 相机模块以 ~1Hz 进行检测。该套餐的总成本不到 100 美元，是一个经济高效的解决方案 用于广泛部署。
该团队致力于使用联合热成像进行实时（即 15Hz）人员检测 + 光学数据和 NVIDIA 开发板。因为数据仅在以下情况下传输： 进行检测后，该系统适合与无处不在的系统一起部署 （尽管带宽较低）蜂窝网络。
第 2 阶段
原型系统展示了一种新颖、低成本的侵入者检测方法 来自无人机感知的数据。该项目的意义在于说明人工智能如何 遥感技术可以协同工作来解决实际的铁路行业问题 问题。
- 能够一致地验证对模拟侵入者的检测，具有典型的延迟 从检测到手机发出警报仅需 90 秒。
- 15 英尺和 20 英尺高的无人机热图像有助于检测入侵者。
出版物
您可以在以下位置详细了解该项目、其成果和成果：提交给交通部。
Vega, E.、Lautala, P.、Nelson, D.N.、Weinstein, C.、Brooks, C.N.和多布森，R.J.， 2024 年。铁路人工智能入侵者学习系统 (RAIILS)。 报告编号 DOT/FRA/ORD-24/38)。美国。联邦运输部 铁路管理局研究、开发和技术办公室。 29 球