Kako se širom svijeta odvija ubrzana urbanizacija tako i zastoji na cestama postaju sve veći problem. Za borbu protiv ovog problema transportne agencije se oslanjaju na sisteme upravljanja saobraćajem, uključujući i njihove napredne verzije (ATMS), koje su dio inteligentnih transportnih sistema (ITS)
Izvor: a&s International
E-mail: redakcija@asadria.com
Napredni sistemi upravljanja saobraćajem kontinuirano prate ceste i inžinjerima saobraćaja nude vrijedne podatke, koji se šalju do kontrolnih centara. Nakon toga menadžeri mogu iskoristiti podatke za donošenje odgovarajućih odluka kojim bi ublažili zagušenja u saobraćaju. MarketsandMarkets izradio je izvještaj u kojem se navodi da je segment naprednih sistema za upravljanje saobraćajem u 2018. godini imao najveći udio na cjelokupnom tržištu ITS sistema upravljanja saobraćajem, što je trend za koji kažu da će se održati do 2023. Ukupan rast tržišta pripisuje se sve izraženijoj zabrinutosti zbog stanja javne sigurnosti i rastućeg problema zagušenja u saobraćaju, kao i jačanja državnih inicijativa za efikasnije upravljanje saobraćajem.
Zašto cestama trebaju napredni sistemi upravljanja?
Brza urbanizacija i veći broj vozila na cestama dovode do pojave zastoja. Da bi poboljšali situaciju, menadžeri saobraćaja koriste napredne sisteme upravljanja saobraćajem (ATMS) koji mogu kontinuirano pratiti stanje na cestama. “Nadležne agencije moraju mijenjati pristup i ulagati u nove načine upravljanja saobraćajem koji donose brz povrat javnih investicija. To je posljedica sve češćih problema u saobraćaju i pritiska građana za osiguravanjem većeg kvaliteta života. Paralelno s tim rastu svijest i spoznaja o potrebi integracije između sistema i agencija i dostupnosti podataka koji nude sasvim nove mogućnosti”, kaže Jose Carlos Riveira, direktor strategija i upravljanje portfolijem u kompaniji Kapsch TrafficCom.
“Napredak rješenja za mrežno povezivanje, usluge u oblaku (cloud), softver koji se samostalno optimizira i napredniji interfejs za operatere u sistemima upravljanja saobraćajem odgovorni su za pristup upotrebljivijim informacijama i bržim uslugama, što rezultira smanjenjem zastoja i zagušenja”, kaže Paola Clerici, direktorica i šefica marketinga u kompaniji Sprinx Technologies. Ona objašnjava da ATMS sistemi nude analizu nivoa saobraćaja, podršku dolasku na odredište, praćenje incidenata i prikupljanje niza statističkih podataka usmjerenih na poboljšanje mobilnosti.
Vozači u gradovima s najvećim problemima sa zagušenjem saobraćaja su tokom 2018. izgubili i do 272 sata prosječno u gužvama na cestama, što su milijarde izgubljenih dolara. Osim toga, duži zastoji u saobraćaju doprinijeli su rastu zabrinutosti zbog otežane mogućnosti reagovanja na vanredne situacije (npr. nesreće) i povećanja zagađenja. “Ubrzana urbanizacija preusmjerila je pažnju transportnih agencija na poboljšanje protoka saobraćaja, čime će se ne samo skratiti vrijeme putovanja i podići njegov kvalitet nego i smanjiti rizik od pojave nesreća. Traži se i skraćenje vremena reakcije na nesreće, a na posljednjem, ali ne i manje važnom mjestu je i smanjenje emisija CO2”, kaže Clerici. Ona dodaje da transportne agencije mogu brže odgovoriti na vanredne situacije i optimalnije planirati mobilnost na putu ako se odluče na ulaganje u tehnologije upravljanja saobraćajem. U njih spadaju hardver i softver koji su sposobni za prikupljanje podataka u realnom vremenu i njihovu naknadnu obradu.
Kako korisnički zahtjevi oblikuju upravljanje saobraćajem
Zagušenje saobraćaja na cestama dovodi do uspona alternativnih načina prijevoza, poput mobilnosti kao usluge (MaaS), koja se koristi kao alat za upravljanje saobraćajem. Transportne agencije moraju razmotriti više faktora prije nego što odaberu rješenje za upravljanje saobraćajem na cestama, dok se nadležne institucije moraju usmjeriti na rješavanje kratkoročnih izazova, pri čemu će, paralelno, morati obratiti pažnju i na buduće promjene i dugovječnost rješenja. Tradicionalni sistemi upravljanja saobraćajem temelje se na hardveru i inteligentnom softveru za videoanalitiku. Takvi sistemi uglavnom se sastoje od modula za prikupljanje informacija (npr. senzori, kamere, meteorološke stanice, čitači registarskih tablica itd.), slanje informacija korisnicima (npr. informativne ploče, pozivni centri), obradu informacija (npr. sistemi za praćenje vremena putovanja, nivoa usluge itd.) i upravljačkih centara koji prikupljaju, obrađuju i distribuiraju informacije korisne za vozače. Ipak, upravljanje saobraćajem postaje sve složenije, jer ubrzana urbanizacija rezultira većim zagušenjem na cestama. To je dovelo do “promjene ponašanja i načina na koji se ljudi kreću i putuju”, kaže Riveira i dodaje: “Rastuća složenost problema kreira potrebu da agencije bolje shvate nove obrasce i izazove u pogledu načina na koji ljudi putuju i na koje se upravlja potražnjom.” Agencije su prinuđene da se bave zahtjevima na osnovu kojih su kontrola pristupa, kontrola kvaliteta zraka, mjerenje kilometraže, podsticaji i zajedničko usmjeravanje saobraćaja postali novi bitni aspekti tehnologije koja će uskoro postati dio upravljanja saobraćajem.
“Zbog toga transportnim agencijama treba veća automatizacija zadataka koja se oslanja na raspoložive tehnologije kako bi olakšala rad operatera. Ovo je povezano s napretkom na planu podrške prediktivnom donošenju odluka na bazi pristupa instrumentima s podacima u stvarnom vremenu. Oni će podići nivo svijesti i olakšati donošenje odluka”, kaže Riveira. Za rješavanje nekih od ovih izazova transportne agencije moraju intenzivirati digitalizaciju svojih usluga, tako da se informacije mogu neprestano prikupljati, a korisnici dobiti direktan pristup njima. Agencije se moraju osposobiti i za analizu velike količine prikupljenih podataka u realnom vremenu kako bi došle do upotrebljive analitike koja može unaprijediti stanje na cestama.
Novi trendovi
Neke od najvažnijih promjena danas tiču se novih i alternativnih vidova prijevoza, mikromobilnosti (npr. dijeljenje bicikla, e-skutera itd.) i mobilnosti kao usluge (MaaS). Očekuje se da će ovaj trend na kraju obuhvatiti i umrežene automobile i autonomna vozila. José Luis Anonuevo je direktor sistema za upravljanje saobraćajem u kompaniji Indra. On vjeruje da će se menadžeri saobraćaja i koncesionari na cestama sve više fokusirati na MaaS model za vozače, što će uključivati pametna rješenja za putarine za određene rute na cestama, modularno određivanje cijena, plaćanje u stvarnom vremenu na temelju stanja na cestama, dana u sedmici ili doba dana, broja putnika i dr. Istovremeno, mobilna komunikacija postaje sve sigurnija, a internet stvari (IoT) pokreće napredak u segmentu umreženih i autonomnih vozila. Zahvaljujući tome, iskustvo putovanja cestom će se radikalno promijeniti. Ove tehnologije će korisnicima pružiti pristup informacijama o saobraćaju i podršku za sigurniju vožnju.
“Novi trendovi na terenu dovest će do situacije da će prijevozni operateri tražiti inteligentniji, multimodularan i optimiziran sistem upravljanja svojim uslugama. Operateri prijevoznih sredstava poput autobusa, metroa ili željeznica uskoro će na raspolaganju imati integrisan sistem upravljanja rutama koji će biti centraliziran i povezan s informacijama o saobraćaju i podacima koji se dobijaju od putnika. Tu će mašinsko učenje i tzv. veliki podaci (big data) u stvarnom vremenu optimizirati pravce kretanja ili kreirati posebne rute za korisnike drugih prijevoznih sredstava”, kaže Anonuevo.
Kako unaprijediti sisteme upravljanja saobraćajem?
Osnovni cilj ATMS sistema je smanjenje saobraćajnih zagušenja kroz jačanje efikasnosti iskorištavanja postojeće infrastrukture, što se postiže senzorima, komunikacijom i tehnologijama za obradu podataka. Clerici smatra da sistemi za napredno upravljanje saobraćajem mogu biti još efikasniji ako im se dodaju ključni podsistemi poput onih za praćenje nesreća, naplatu cestarine i upravljanje saobraćajem. Danas se ATMS sisteme nadopunjuje i naprednim funkcijama za prikupljanje informacija iz odgovarajućih izvora kao što su Google Maps i Waze. Izvori su i mobilne aplikacije koje prikupljaju anonimne GPS podatke i informacije s meteoroloških senzora i sistema za prepoznavanje registarskih tablica (LPR). “S vremenom centri za upravljanje saobraćajem mogu evoluirati kroz ugradnju dodatnih specijaliziranih sistema koji moraju obuhvatiti ili zamijeniti dosadašnji pristup praćenju stanja na terenu preko tradicionalnih operativnih silosa”, kaže Riveira. No, za efikasno donošenje odluka potrebni su i učinkovitiji podsistemi koji će omogućiti menadžerima saobraćaja da brže donose efikasnije odluke i preduzimaju odgovarajuće mjere. To je sada moguće zahvaljujući pristupu novim izvorima podataka i tehnologijama poput mašinskog učenja i vještačke inteligencije. “U fokusu napora da se unaprijedi operativna efikasnost je i primjena algoritama za analizu videa najnovije generacije. Oni se zasnivaju na tehnologijama dubokog učenja, kako u realnom vremenu tako i u naknadnoj obradi podataka“, navodi Clerici te dodaje da se to radi u kombinaciji s najmodernijom mrežnom infrastrukturom.
“Agencije za upravljanje saobraćajem ulažu velike napore u ostvarivanje globalnog uvida u stanje na terenu i jačanje inteligencije postojećih sistema. To se radi kako bi oni mogli iskoristiti raspoložive resurse na efikasniji način i osposobiti se da mogu predvidjeti potencijalne nesreće ili reagovati na proaktivan način na ublažavanju njihovih posljedica”, kaže Riveira.
Saradnja između agencija
Jedna od opcija je i integracija informacija i međuagencijska saradnja koja bi obuhvatila sisteme upravljanja saobraćajem i platforme za prikupljanje podataka o saobraćaju u vlasništvu različitih instanci na državnom, regionalnom ili lokalnom nivou. To je ključni faktor za postizanje najboljih performansi. Značajnu ispomoć predstavlja i sve veća dostupnost senzora i tehnologija koje se mogu koristiti za prikupljanje podataka o saobraćaju i saobraćajne informacijske sisteme. “Cilj integrisanja podataka iz više izvora ovog tipa je bolji uvid u aktuelnu situaciju u saobraćaju i jačanje mogućnosti pružanja podrške putnicima tokom vožnje”, kaže Anonuevo. ATMS sistemi međusobno razmjenjuju informacije i dobijaju ih od samih vozila putem tehnologije umreženih vozila. Budući da ovi sistemi više nisu namijenjeni samo kontroli, oni moraju moći kontrolisati i obrađivati ogromne količine podataka dobijene putem interneta stvari i V2X sistema koji povezuju vozilo s ostalim sistemima. Riveira napominje da se sistemi naprednog upravljanja saobraćajem moraju nastaviti razvijati kako bi ponudili mogućnost komunikacije između vozila putem V2X sistema i to kada nema tradicionalne putne infrastrukture. “V2X mijenja način na koji upravljamo saobraćajem i komuniciramo s vozilom i vozačima”, kaže on. U eri šire primjene sistema koji povezuju vozila s infrastrukturom (V2I) ova tehnologija će predstavljati okosnicu za direktnu interakciju s vozilima i vozačima, zajedno sa sigurnosnim aplikacijama koje nude V2V sistemi za povezivanje vozila.
Mašinsko i duboko učenje za pametnije upravljanje
Kvalitetnija i detaljnija analiza podataka čini sisteme za upravljanje saobraćajem pametnijim i efikasnijim. Sa stanovišta softvera, tehnologija prepoznavanja registarskih tablica (LPR) je najpoznatiji i najčešće korišteni segment videoanalitike u oblasti upravljanja i koristi se za kontrolu pristupa, naplatu putarine, evidenciju trajanja putovanja i sigurnosne aplikacije. Međutim, uz vještačku inteligenciju, mašinsko i duboko učenje šire svoje polje primjene, a sistemi upravljanja saobraćajem dobijaju naprednije analitičke funkcije. U većini slučajeva funkcije analize videa temelje se na detekciji u stvarnom vremenu, koja je namijenjena prepoznavanju nepravilnosti u saobraćaju. Tu spadaju zaustavljanje vozila, formiranje kolona, vožnja u suprotnom smjeru i dr. Ove funkcije obuhvataju i prikupljanje statističkih podataka o saobraćaju, npr. brojanje i klasifikaciju vozila, prosječnu brzinu, udaljenost između vozila itd. U gradskim sredinama upravljanje semaforima i evidencija popunjenosti parking-mjesta se koriste kao dodatne videoanalitičke funkcije. Kushwaha ističe da se napredna videoanalitika može koristiti i na zastarjelim sistemima, uz manje dodatke postojećem hardverskom ekosistemu. “Kako bi se ovo izvelo, u centru podataka se moraju instalirati serveri sposobni za mašinsko učenje. Oni će poslužiti kao platforma za softver koji će obrađivati ulazne videosignale i primjenjivati pravila isključivo prema namjeni i u skladu sa zahtjevima korisnika”, objašnjava on. Clerici napominje da videoanalitika koja se temelji na standardnom računarskom vidu ne može ostvariti puni potencijal ako se koriste samo postojeće kamere čija je glavna namjena videonadzor. “Integrisanje tehnologija dubokog učenja s profesionalnim sistemom za analizu videa omogućava da sistem analize saobraćaja postane prilagodljiviji kroz primjenu kamera koje nisu instalirane za tu namjenu”, dodaje ona.
Obrada na rubu
Napredna obrada videa na rubu mreže (edge) također ima pozitivan utjecaj na sisteme upravljanja saobraćajem. Kako bi se prijenos videa olakšao na opterećenim ili nedovoljno propusnim mrežama, sve je popularnije ugrađivanje procesora u kamere ili lokalne sisteme. “Prisustvo većeg broja distribuiranih arhitektura uz nedovoljnu mrežnu pokrivenost potaknulo je primjenu i nabavku integrisanih rješenja za analizu, posebno u urbanim sredinama”, kaže Clerici. Riveira ističe da se podaci i rezultati mjerenja već šalju s terena do višeg nivoa, odnosno centara za upravljanje saobraćajem. “Danas se modeli mašinskog učenja obučavaju i generišu u razvojnim računarima. U kombinaciji s odgovarajućim karakteristikama grafičkih procesora oni će se prebaciti na jednostavnije lokalne procesore”, dodaje on. Ipak, kako analiza videa postaje složenija, mašinsko i duboko učenje omogućavaju dešifriranje podataka. Kushwaha navodi da se mašinsko učenje koristi za optimizaciju algoritama i otklanjanje nedostataka tradicionalnih tehnologija. “Korištenje mašinskog učenja uvijek je poželjnije jer omogućava sistemu da kontinuirano prepoznaje obrasce, uči i samostalno se ažurira kako bi poboljšao vlastite performanse”, kaže on. Ovo je posebno važno za zahtjevne uslove rada sistema upravljanja saobraćajem na otvorenom. Mašinsko učenje pomaže kod prepoznavanja registarskih tablica koje su prekrivene ili prljave, ignorisanja dijelova slike sa smetnjama, isključivanja saobraćajnih informacija zbog pojave sjena tokom dana i pribavljanja pouzdanijih informacija čak i noću. Ovaj kontinuirani ciklus učenja i ažuriranja mjestu događaja povećava tačnost predviđanja sistema i, samim tim, omogućava bolje rezultate.
Riveira skreće pažnju i na korištenje dubokog učenja za naprednije funkcije. To se radi uz iskorištavanje pogodnosti obuke ljudskih operatera za kreiranje modela prepoznavanja koji kasnije mogu postati standardni. Inteligentne kamere to mogu kombinovati s tradicionalnim senzorima i upotpuniti informacije dodatnim atributima. Oni mogu uključivati ulazne i izlazne zone, procjenu rizika od sudara, analizu ponašanja i slanje upozorenja. “Na ovaj način sisteme upravljanja mobilnošću možete obogatiti nekonvencionalnim podacima i ojačati ih sposobnošću donošenja odluka i dodatnim faktorima koji aktiviraju planove reagovanja u kriznim situacijama”, kaže on.
“Ipak, jedna od najvažnijih stvari koje treba imati na umu je činjenica da se videosistem za analizu saobraćaja ne može smatrati samostalnim, nego tek dijelom složenije arhitekture za upravljanje saobraćajem. Nije dovoljno osigurati samo interfejs nego i dubinsku integraciju s ostalim komponentama, npr. pohranom, mrežnim uređajima, VMS i SCADA tehnologijom, ITS platformom itd.”, kaže Clerici.
Tehnološki naprednije kamere za kvalitetnije upravljanje
Napredak na planu tehnologije kamera i povoljnije cijene menadžerima saobraćaja nude mogućnost da dodaju nove funkcije svojim rješenjima za upravljanje saobraćajem. Očekuje se da će segment videonadzornih kamera na globalnom tržištu rješenja za upravljanje saobraćajem najbrže rasti do 2023. godine, navodi se u izvještaju kompanije MarketsandMarkets. “Nadzorne kamere nude nekoliko prednosti učesnicima u saobraćaju. One šalju vrijedne podatke o saobraćaju i vozilima, a njih koriste državne agencije koje se bave saobraćajem. Osim toga, kamere prepoznaju i obrasce odvijanja saobraćaja koji se naknadno izučavaju, a istovremeno prate i nadziru tok saobraćaja i pripremaju kazne u slučaju da neko prekrši saobraćajne propise”, kaže se u izvještaju.
Obrada videa i videonadzor kreiraju brojne i bogate mogućnosti za upravljanje saobraćajem. To je posebno važno u eri kada procesori postaju sve moćniji, cijena sistema za pohranu pada, a integracije postaju standard. Nove kamere s vidnim poljem od 360 stepeni, tzv. ribljim okom i multiline tehnologijom također postaju sve popularnija i pristupačnija opcija za upravljanje saobraćajem, navodi Riveira. Ove kamere mogu ponuditi prikaz cijele raskrsnice spajanjem slika i videa s odgovarajuće lokacije. Oba materijala se dobijaju pomoću videonadzora, odnosno primjenom cjelovitog digitalnog PTZ-a i obrade videa. Treba ipak imati na umu da mrežni sistemi moraju biti u stanju kanalisati protok informacija koje dolaze sa svih kamera u upotrebi. “Naprimjer, ako imate cestu sa 500 kamera, potrebe mreže po kameri koja radi s visokom rezolucijom kreću se u rasponu od 4 do 8 Mbps. To omogućava globalnu brzinu prijenosa od 4 Gbps za snimanje u realnom vremenu koje vrše kamere u kontrolnim centrima. Te brzine su danas dostupne bez problema. S druge strane, bez odgovarajućih mrežnih sistema efikasnost i efektivnost kamera i cjelokupnog sistema upravljanja saobraćajem mogu biti dovedeni u pitanje”, kaže Anonuevo.
Termalne kamere u saobraćaju
Tradicionalne videonadzorne kamere imaju i brojne nedostatke kada je riječ o svakodnevnom upravljanju saobraćajem. Vidljivost može biti smanjena zavisno od doba dana, npr. tokom noći ili kada je kamera direktno okrenuta suncu ili su vremenski uslovi loši. To može utjecati i na kvalitet detekcije i vrijednosti mjerenja. Upotreba termalnih kamera može pomoći menadžerima saobraćaja da prevaziđu ove probleme. Za razliku od standardnih kamera, na termalne senzore manje utječu vanjski faktori, kao što su vremenski uslovi i nivo svjetla. Riveira primjećuje da je “još odranije najvažniji napredak na planu snimanja bila upotreba termalnih senzora koji, na određeni način, mogu poslužiti kao podrška tradicionalnim kamerama ili čak zamijeniti senzore za rad unutar vidljivog spektra. Neke kompanije fokusirane na kvalitet snimanja već primjenjuju poslovni pristup koji podrazumijeva integraciju obje tehnologije u svoj portfolio”. Budući da je cijena termalnih kamera znatno pala u posljednjih nekoliko godina, one su postale pristupačnije tržištu sistema gradskog videonadzora i nadzora cesta. Radarski sistemi za praćenje prometa također bilježe rast. Anonuevo objašnjava da radar “nije ništa drugo nego mikrotalasni (ili laserski) senzor koji mjeri brzinu i snima vozila koja se kreću iznad određene brzine”. Međutim, kada se kamerama dodaju radarske funkcije i termalno snimanje, efikasnost otkrivanja vozila raste, posebno u uslovima slabog osvjetljenja, odnosno tokom noći. Clerici dodaje da radar može poboljšati performanse detekcije objekata u kombinaciji s radarskim informacijama. One se dobijaju pomoću tehnologije praćenja objekata putem videa.
