Ha műholdakról beszélünk a közlekedésben, legtöbbünknek a telefonos navigáció jut eszébe. Az európai SPATRA projekt megmutatja, hogy a Föld körüli pálya ennél sokkal többet kínál: a mesterséges intelligenciával támogatott földmegfigyelési adatok segítenek szemmel tartani a sínek hőmérsékletét, és enyhítik a torlódásokat egy szerbiai határátkelőn. A cél egyszerű — biztonságosabb, hatékonyabb és környezetbarátabb szárazföldi közlekedés —, a végén pedig kiderítheted, milyen utazó vagy az adatok világában.
Európa szárazföldi közlekedési hálózata egyszerre sok problémával küzd. A forgalom sűrűsödik, az egész rendszer egyre összetettebb, és egyre nagyobb a környezetre gyakorolt hatása. Ez komoly kihívás az utak és a vasutak üzemeltetőinek. Az EU által finanszírozott SPATRA projekt a világűrből érkező választ kínál: mesterséges intelligenciával kiegészített műholdas adatokat.
A csapat célja ambiciózus, mégis konkrét volt. A szárazföldi közlekedési hálózatoknak biztonságosabbá, hatékonyabbá és környezetbarátabbá kell válniuk, ehhez pedig azok az adatok adják az eszközt, amelyek már most is a fejünk fölött keringenek.
A földmegfigyelési adatok régóta kulcsfontosságú felismerésekkel szolgálnak olyan ágazatoknak, mint a mezőgazdaság vagy a katasztrófavédelem. Mégis sok olyan terület van, ahol a technológiában rejlő teljes lehetőség kiaknázatlan marad. A SPATRA csapata két ilyen ágazatot azonosított: a közúti és a vasúti közlekedést. Szerintük a műholdas alkalmazások ott még sokkal több előnyt hozhatnának.
A projekt koordinátora, Danijela Ristic-Durrant, a németországi OHB Digital Services munkatársa, egy bizonyos gondolkodási szokásra hívja fel a figyelmet. „Ha a műholdas adatok szárazföldi közlekedési felhasználásáról beszélünk, hajlamosak vagyunk olyan alkalmazásokra gondolni, amelyek globális műholdas navigációs rendszereket, például az EGNSS-t használják” — mondja a kutató.
Eközben az űrből érkező információk egy másik forrása árnyékban marad. „A földmegfigyelési adatokat, például a szabadon hozzáférhető Copernicus Sentinel-adatokat, nem használják olyan sokat. Ebben a projektben olyan helyzeteket akartunk bemutatni, amelyekben az ilyen adatok hasznot hozhatnak” — magyarázza Ristic-Durrant. A „szabadon hozzáférhető” kifejezés itt fontos: ezekhez az erőforrásokhoz bárki hozzányúlhat, akinek van ötlete a felhasználásukra.
A csapat két felhasználási esetet javasolt és fejlesztett ki, egyet a vasútra és egyet az utakra. Mindkettő ugyanazt a mintát követi: a műholdas adatok mesterséges intelligenciával kiegészített modellekbe kerülnek, ezek pedig olyan információkat adnak, amelyek segítik az embereket a jobb döntésekben.
Az első felhasználási eset azt vizsgálta, hogyan hat a hőmérséklet a vasúti hálózatokra. Az infrastruktúra-üzemeltetők ma főként előrejelzések alapján döntenek. „Az infrastruktúra-üzemeltetők gyakran használnak időjárás-előrejelzést annak megállapítására, hogy a sínek valószínűleg túlságosan felforrósodnak-e” — magyarázza Ristic-Durrant.
Ha nagy a kockázat, a mozdonyvezetők úgynevezett sebességkorlátozó utasítást kapnak, vagy a forgalmat teljesen leállítják. A koordinátor hangsúlyozza, hogy ez jelentős zavarokhoz vezethet a vasúti közlekedésben.
A SPATRA csapata olyan rendszert fejlesztett ki, amely a Copernicus hőmérsékleti műholdas adatait gépi tanulással kombinálja. Az algoritmusok az adatok felbontásának növelésére szolgálnak, így nyomon követhető a sínek hőmérséklete, és megbecsülhető a sínkifordulás, vagyis a pálya deformációjának kockázata.
A megoldást Szerbiában terepen is kipróbálták. A tesztek megmutatták, hogy a rendszer lehetővé teheti az infrastruktúra-üzemeltetők számára, hogy folyamatosan figyeljék a sínek hőmérséklet-ingadozását az egész hálózaton. Ennek köszönhetően a pályadeformáció kockázata korábban felismerhető, ami támogatja a biztonságos és hatékony vasúti szolgáltatást.
A második felhasználási eset az utakra vitte a csapatot, pontosabban Szerbia Batrovci határátkelőjére. A cél a torlódások kezelése és a parkolási lehetőségek optimalizálása volt. „Az volt az elképzelés, hogy a logisztikai vezetők műholdas adatokkal követhetik a határokon a torlódások mértékét, és felmérhetik a parkolóhelyek foglaltságát is” — mondja Ristic-Durrant.
Ebben az alkalmazásban több technológia találkozott. A projekt az európai globális műholdas navigációs rendszer és a Copernicus műholdas rendszerek képességeit is kihasználta, drónalapú képfeldolgozással és mesterséges intelligenciával kombinálva. Az eredmény? A logisztikai vezetők hatékonyabban tervezhették meg az utakat, és pontosabban becsülhették az érkezési időket.
A SPATRA megmutatta, hogyan alkalmazhatók a földmegfigyelési adatok mesterséges intelligenciával kiegészített modellekben a zavartalan és biztonságos közlekedés érdekében. A jobb közúti forgalomirányításnak és a vasúti infrastruktúra pontosabb megfigyelésének környezeti oldala is van: a hatékonyabb szárazföldi közlekedési hálózatok egyben környezetbarátabbak is.
A koordinátor józanul értékeli az eredményeket. „Sikerült növelnünk ezeknek az alkalmazásoknak a technológiai érettségi szintjét” — állapítja meg Ristic-Durrant. Rögtön hozzáteszi, hogy a munka még nem ért véget: „Mint minden mesterséges intelligencia modelleket használó rendszernél, most további adatokat kell gyűjtenünk a modellek betanításához.” A további fejlesztések és terepi tesztek célja, hogy a technológia közelebb kerüljön a piaci érettséghez, és ösztönözze a műholdas szárazföldi közlekedési megoldásokba történő további beruházásokat.
A SPATRA projekt arra emlékeztet, hogy a műholdak nem csak a navigációról szólnak. A szabadon hozzáférhető Copernicus Sentinel-adatok gépi tanulással kombinálva lehetővé tették, hogy az egész hálózaton nyomon kövessék a sínek hőmérsékletét, és korábban észrevegyék a pályadeformáció kockázatát, a batrovci határnál pedig segítettek felmérni a torlódásokat és a parkolók foglaltságát. Az informatika, a geoinformatika vagy a logisztika hallgatói számára ez egyértelmű jelzés: a világűrből érkező adatok ötletekre várnak, a mesterséges intelligenciának pedig egyre több kell belőlük, hogy jobban működjön.
5 kérdés · egy perc
English
Čeština
Deutsch
Español
Français
Magyar
Italiano
Polski
Português
Русский
Slovenčina
Türkçe
Українська
العربية
中文