Sztuczna inteligencja w kolejnictwie przestaje być futurystyczną wizją. Staje się jednym z najważniejszych kierunków rozwoju bezpieczeństwa, monitorowania infrastruktury kolejowej i predykcyjnego utrzymania ruchu.

Kolej jest systemem, w którym bezpieczeństwo zależy od tysięcy elementów działających jednocześnie. Tory, rozjazdy, sieć trakcyjna, przejazdy kolejowe, obiekty inżynieryjne i otoczenie linii tworzą środowisko, które musi być stale monitorowane.

Problem nie polega już wyłącznie na tym, aby zebrać jak najwięcej danych.

Problem polega na tym, aby zobaczyć zagrożenie odpowiednio wcześnie, właściwie je zinterpretować i przekazać informację do osoby lub systemu, który może zareagować.

Właśnie w tym miejscu pojawia się sztuczna inteligencja.

AI w kolejnictwie – od rejestracji obrazu do rozumienia rzeczywistości

Klasyczny system monitoringu przede wszystkim rejestruje.

Kamera może zapisać godziny materiału wideo, ale sama nie odpowiada na najważniejsze pytanie:

Czy w obserwowanym obrazie wydarzyło się coś, co wymaga reakcji?

Człowiek może przeanalizować nagranie, ale skala danych szybko przekracza możliwości manualnej kontroli. Im więcej przejazdów, kilometrów linii i kamer, tym większy problem stanowi selekcja informacji.

Dlatego rozwój computer vision, machine learning i AI dla kolei zmienia sposób podejścia do monitorowania infrastruktury.

System oparty na sztucznej inteligencji może analizować obraz pod kątem określonych wzorców i anomalii, klasyfikować zdarzenia oraz przekazywać do operatora tylko informacje wymagające uwagi.

To zasadnicza zmiana.

Zamiast: kamera → nagranie → człowiek → analiza

otrzymujemy: kamera → AI → wykrycie anomalii → kontekst zdarzenia → reakcja.

Edge Computing – dlaczego AI powinno działać blisko źródła danych?

Jednym z kluczowych elementów nowoczesnych systemów AI dla kolei jest Edge Computing.

W tradycyjnym modelu dane mogą być przesyłane do centralnego serwera lub chmury, gdzie są analizowane. W przypadku monitorowania infrastruktury kolejowej oznacza to jednak konieczność przesłania ogromnych ilości danych wizualnych.

VAR24 wykorzystuje inną koncepcję.

Analiza odbywa się lokalnie, na krawędzi sieci, przy wykorzystaniu dedykowanego mikrokomputera i systemu kamer.

Ma to istotne znaczenie.

Jeżeli system ma działać w czasie rzeczywistym, nie można uzależniać każdej decyzji od przesłania całego strumienia danych do zewnętrznego centrum przetwarzania.

Edge AI pozwala przenieść część inteligencji bezpośrednio do urządzenia znajdującego się w pojeździe.

Dane są analizowane tam, gdzie powstają.

Dzięki temu możliwe jest ograniczenie opóźnień, zmniejszenie ilości danych przesyłanych dalej oraz stworzenie architektury odpowiedniej dla zastosowań wymagających szybkiej reakcji.

Właśnie dlatego Edge Computing w kolejnictwie jest jednym z interesujących kierunków rozwoju inteligentnych systemów bezpieczeństwa.

Aktualne badania nad AI w utrzymaniu infrastruktury kolejowej wskazują Edge AI jako jeden z kierunków rozwoju obok Digital Twins i systemów cyber-fizycznych.

VAR24 – widzi, analizuje, reaguje

Koncepcja VAR24 opiera się na trzech podstawowych etapach.

01. Widzi

Kamery czołowe obserwują szlak z perspektywy maszynisty.

To ważne, ponieważ system nie analizuje abstrakcyjnego modelu infrastruktury. Obserwuje rzeczywiste środowisko, w którym porusza się pojazd.

02. Analizuje

Obraz jest przetwarzany przez sztuczną inteligencję lokalnie.

System ma za zadanie rozpoznawać anomalie i potencjalne zagrożenia, zamiast ograniczać się do biernego zapisu materiału.

03. Reaguje

Wykryte zdarzenie może zostać przekazane do centrum dyspozytorskiego wraz z kontekstem.

To właśnie ten etap pozwala przejść od monitoringu do systemu wspierającego podejmowanie decyzji.

I jest to fundamentalna różnica.

Predictive Maintenance w kolejnictwie – utrzymanie zanim pojawi się awaria

Jednym z najważniejszych zastosowań sztucznej inteligencji w transporcie szynowym jest Predictive Maintenance, czyli predykcyjne utrzymanie ruchu.

Tradycyjne podejście często opiera się na harmonogramach przeglądów, procedurach okresowych oraz reakcji na wykryte uszkodzenia.

Predictive Maintenance zmienia logikę działania.

Zamiast pytać: „Kiedy należy wykonać kolejny przegląd?”

system może zmierzać w kierunku pytania: „Czy na podstawie dostępnych danych widać oznaki problemu i jak szybko może on stać się istotny?”

To ogromna różnica z punktu widzenia zarządzania infrastrukturą.

AI może wykorzystywać dane z obrazowania, czujników, geometrii toru, drgań i innych źródeł do identyfikowania wzorców wskazujących na potencjalne problemy. Przegląd aktualnych badań naukowych pokazuje, że właśnie obrazowanie, analiza drgań i dane dotyczące geometrii toru należą do istotnych źródeł danych wykorzystywanych w AI-based predictive maintenance dla kolei.

Międzynarodowy Związek Kolei UIC prowadził projekt Artificial Intelligence for Predictive Maintenance, którego celem było przyspieszenie wykorzystania AI w sektorze kolejowym i rozwój przypadków użycia od PoC i pilotaży po zastosowania operacyjne.

To pokazuje, że AI i Predictive Maintenance nie są już wyłącznie eksperymentem technologicznym. Są jednym z realnych kierunków cyfryzacji kolei.

Dlaczego monitoring infrastruktury kolejowej potrzebuje AI?

Infrastruktura kolejowa jest rozległa.

To setki i tysiące kilometrów torów, różne warunki atmosferyczne, zmienne oświetlenie, ruch pojazdów, roślinność, zwierzęta, obiekty znajdujące się w bezpośrednim sąsiedztwie toru oraz zmieniający się stan techniczny infrastruktury.

Człowiek nie jest w stanie stale obserwować całej infrastruktury.

System komputerowy może natomiast wykonywać analizę w sposób ciągły.

Nie oznacza to eliminacji człowieka.

Wręcz przeciwnie.

Najbardziej wartościowym modelem jest taki, w którym AI działa jako dodatkowa warstwa percepcji i analizy, a człowiek otrzymuje informacje już odpowiednio przefiltrowane i sklasyfikowane.

To podejście pozwala przesunąć człowieka z roli obserwatora ogromnej ilości danych do roli osoby podejmującej decyzję na podstawie informacji przygotowanej przez system.

Od kamer do fuzji danych i LiDAR

Kamery są dopiero początkiem.

Kolejnym etapem rozwoju systemów percepcji może być fuzja danych pochodzących z różnych sensorów.

VAR24 zakłada integrację z technologią LiDAR, czyli systemem wykorzystującym impulsy laserowe do tworzenia przestrzennej reprezentacji otoczenia.

Dlaczego jest to ważne?

Obraz z kamery dostarcza informacji wizualnej.

LiDAR może dostarczyć informacji przestrzennej.

Połączenie różnych źródeł danych pozwala budować bardziej kompletny model obserwowanego środowiska.

To szczególnie istotne w sytuacjach, w których sama analiza obrazu może być utrudniona przez warunki oświetleniowe lub atmosferyczne.

Co istotne, podobny kierunek jest już obecny w polskich pracach badawczo-rozwojowych dotyczących automatycznego monitorowania infrastruktury kolejowej. Projekt UAVforRail wykorzystuje m.in. AI, RGB, LiDAR i termowizję do automatycznej identyfikacji usterek infrastruktury kolejowej.

Poszerzony horyzont percepcji

Kolejnym krokiem nie jest tylko dokładniejsze patrzenie.

Jest nim patrzenie dalej.

Dla systemu bezpieczeństwa kolejowego znaczenie może mieć nie tylko stan toru znajdującego się bezpośrednio przed pojazdem, ale również sytuacja w jego otoczeniu.

Dlatego roadmapa VAR24 zakłada rozszerzenie analizy m.in. o:

• sieć trakcyjną,
• otoczenie bezpośrednie toru,
• zwierzęta znajdujące się na torze,
• pojazdy na przejazdach kolejowych,
• osuwiska,
• inne potencjalne przeszkody i anomalie.

W ten sposób system zaczyna przechodzić od monitorowania infrastruktury do percepcji środowiska transportowego.

A właśnie percepcja jest jednym z fundamentów autonomizacji.

Od obserwacji do autonomicznej reakcji

Autonomiczny transport szynowy nie zaczyna się od tego, że pociąg samodzielnie podejmuje wszystkie decyzje.

Zaczyna się znacznie wcześniej.

Najpierw maszyna musi: widzieć.

Potem: rozumieć.

Następnie: oceniać ryzyko.

A dopiero później: reagować.

Właśnie dlatego systemy computer vision, Edge AI, LiDAR i fuzja danych są tak ważne dla przyszłości autonomicznej kolei.

Aktualne badania wskazują, że pełna automatyzacja na poziomie GoA4 jest już stosowana w części systemów metra, natomiast zastosowanie jej na liniach głównych pozostaje znacznie trudniejsze ze względu na wymagania bezpieczeństwa i złożoność otwartego środowiska operacyjnego.

VAR24 wpisuje się więc w logiczną ścieżkę rozwoju:

obserwacja → analiza → predykcja → percepcja otoczenia → reakcja → autonomizacja.

Bezpieczeństwo kolei wymaga danych w czasie rzeczywistym

W systemach krytycznych czas ma znaczenie.

Jeżeli informacja o potencjalnym zagrożeniu pojawia się dopiero po zakończeniu przejazdu albo po ręcznym przeanalizowaniu materiału, jej wartość operacyjna może być ograniczona.

Dlatego analiza danych w czasie rzeczywistym jest jednym z najważniejszych elementów koncepcji VAR24.

System ma nie tylko gromadzić informacje.

Ma je przetwarzać.

Ma rozpoznawać anomalie.

Ma przekazywać właściwy komunikat.

A w przyszłości – zgodnie z roadmapą projektu – może stać się elementem aktywnej reakcji na krytyczne zagrożenie.

VAR24 – roadmapa rozwoju

Rozwój systemu został podzielony na kolejne fazy.

Faza 1 – system wizyjny / PoC

Zaawansowana optyka i sztuczna inteligencja służą do wykrywania uszkodzeń infrastruktury znajdujących się w bezpośrednim zasięgu systemu.

Faza 2 – fuzja danych i LiDAR

Integracja kolejnych źródeł danych przestrzennych i zwiększenie możliwości percepcji środowiska.

Faza 3 – poszerzony horyzont percepcji

Rozszerzenie analizy o sieć trakcyjną oraz otoczenie toru.

Faza 4 – aktywna reakcja

Docelowa koncepcja zakłada osiągnięcie poziomu niezawodności 99,99% i możliwość automatycznego zainicjowania procedury awaryjnego hamowania w przypadku zidentyfikowania krytycznego zagrożenia na dystansie przekraczającym czas reakcji człowieka.

To jest cel rozwojowy VAR24, a nie deklaracja obecnych możliwości systemu.

I właśnie takie rozróżnienie jest kluczowe w technologiach bezpieczeństwa.

Bezinwazyjna technologia – AI bez przebudowy infrastruktury

Jednym z interesujących elementów koncepcji VAR24 jest jej bezinwazyjność instalacyjna.

Zamiast przebudowywać istniejącą infrastrukturę kolejową, system może być rozwijany jako dodatkowa warstwa technologiczna wykorzystująca kamery i dedykowany komputer pokładowy.

To otwiera potencjalnie zupełnie inną drogę wdrażania AI w kolejnictwie.

Nie trzeba zaczynać od budowania całej infrastruktury od podstaw.

Można zacząć od inteligentnej warstwy percepcji, która wykorzystuje istniejące przejazdy pojazdów po sieci kolejowej do ciągłego zbierania i analizowania informacji.

Polska technologia dla europejskiej kolei

VAR24 jest rozwijany jako projekt R&D wywodzący się ze struktur Web24.com.pl Sp. z o.o., polskiego software house’u działającego od 2008 roku.

Według założeń projektu VAR24 jest finansowany samodzielnie i rozwijany bez uzależnienia od zewnętrznego kapitału.

To ważny element historii projektu.

Nie chodzi bowiem wyłącznie o stworzenie kolejnego rozwiązania wykorzystującego AI.

Celem jest budowa technologii, która może znaleźć zastosowanie w jednym z najbardziej wymagających sektorów infrastrukturalnych – transporcie szynowym.

Przyszłość kolei będzie oparta na percepcji

Przez dziesięciolecia rozwój kolei koncentrował się na zwiększaniu prędkości, przepustowości, automatyzacji sterowania oraz modernizacji infrastruktury.

Kolejnym etapem jest inteligencja systemu.

Pociąg przyszłości nie powinien jedynie poruszać się po zaplanowanej trasie.

Powinien coraz lepiej rozumieć środowisko, w którym się znajduje.

Powinien wykrywać anomalie.

Powinien przewidywać potencjalne problemy.

Powinien przekazywać operatorowi właściwe informacje.

A w odpowiednio certyfikowanych i bezpiecznych zastosowaniach – w przyszłości – może również podejmować określone działania automatycznie.

Dlatego rozwój AI dla kolei, Edge Computing, computer vision, LiDAR, Predictive Maintenance oraz systemów autonomicznych nie jest pięcioma niezależnymi trendami.

To elementy jednego większego procesu.

Procesu przechodzenia od kolei obserwowanej przez człowieka do kolei, która sama potrafi obserwować, analizować i reagować.

VAR24 chce być częścią tego procesu.

VAR24.
Widzi. Analizuje. Reaguje.