مدیریت یک ناوگان مدرن ترابری و باربری صرفاً محدود به لجستیک نیست؛ بلکه نیازمند تصمیم‌گیری‌های لحظه‌ای، حفظ ایمنی رانندگان و انطباق سریع با شرایط است. به همین دلیل، یک شرکت هوش مصنوعی با اینتل(Intel) همکاری کرد تا یک نمونه اثبات مفهوم (POC) نسل جدید برای سامانه مدیریت ناوگانِ فاقد سیستم‌های پیشرفته همیار راننده (non-ADAS) توسعه دهد. این سامانه که برای کاربرد در شرایط واقعی طراحی شده، از عملیات هوشمندانه‌تر پشتیبانی می‌کند و به رانندگان کمک می‌کند تا در مسیر جاده تمرکز و ایمنی خود را حفظ کنند.
مقدمه
به عنوان یک ارائه‌دهنده معتبر توسعه نرم‌افزار با تخصص قابل‌توجه در صنعت خودرو، این شرکت هوش مصنوعی همواره تلاش کرده است تا مرزهای نوآوری را در حوزه‌های ترابری و مدیریت ناوگان جابه‌جا کند.
با در نظر داشتن این هدف، این شرکت هوش مصنوعی فعالیت‌های تحقیق و توسعه (R&D) جامعی را در حوزه خودرو انجام می‌دهد و بر طراحی و مهندسی راهکارهای پیشرفته‌ای تمرکز دارد که ایمنی رانندگی را ارتقا داده و مزیتی رقابتی برای شرکت‌های حمل‌ونقل و باربری فراهم می‌کنند. این مجموعه همچنین با بسیاری از شرکت‌های نرم‌افزاری پیشرو صنعت، از جمله اینتل، در پروژه‌های متعددی در صنعت خودرو و سایر حوزه‌ها همکاری داشته است.
به‌ویژه، یکی از طرح‌های این تیم در حوزه مدیریت ناوگان، توجه شهرداری‌های محلی در کوردوبای آرژانتین، یعنی جایی که یکی از مراکز ارائه‌خدمات آن در آن مستقر است را به خود جلب کرده است. دستاوردهای این شرکت در این پروژه، پتانسیل چشمگیری را در زمینه ارتقای پایش وضعیت راننده، بهبود ایمنی رانندگان و افزایش بهره‌وری مدیریت ناوگان نشان می‌دهد.
چالش
با توسعه سریع شهرهای سراسر جهان، شرکت‌های باربری و ترابری تحت فشار فزاینده‌ای قرار دارند تا سیستم مدیریت ناوگان خود را از جمله ردیابی و هماهنگ‌سازی رفتارهای راننده و ناوگان ارتقا دهند.
برای پاسخ به نیازهای مدرن حمل‌ونقل، این مجموعه‌ها به ابزارهای پیشرفته مدیریت ناوگان نیاز دارند؛ ابزارهایی که بتوانند به تسهیل فرآیندها، پیشگیری از موقعیت‌های خطرناک و در نهایت افزایش مزیت رقابتی آن‌ها کمک کنند. با توجه به این موضوع، یک شرکت هوش مصنوعی تصمیم گرفت ابزاری مبتنی بر یادگیری ماشین (ML) و فاقد سیستم‌های پیشرفته همیار راننده (non-ADAS) را متناسب با این الزامات اختصاصی صنعت مهندسی و پیاده‌سازی کند.
راه‌حل
یک شرکت هوش مصنوعی یک نمونه اثبات مفهوم (POC) را برای سامانه‌ای پیشرفته مهندسی کرد که وضعیت و رفتارهای راننده را ردیابی کرده و پیش از وقوع بحران، او را از خطرات یا شرایط اضطراری بالقوه مطلع می‌سازد. معماری نوآورانه این سامانه به‌گونه‌ای طراحی شده است که از توانمندی‌های ترکیبی محاسبات ابری و پردازش لبه‌ای (Edge Computing) بهره ببرد تا پلتفرمی پایدار و مقیاس‌پذیر برای مدیریت و تحلیل بلادرنگ حجم عظیمی از داده‌ها فراهم آورد.
با به‌کارگیری جعبه‌ابزار پیشرفته OpenVINO اینتل، امکان پیاده‌سازی قابلیت‌های تشخیصی با دقت بسیار بالا در این پلتفرم فراهم شد. معماری این راهکار شامل ماژول‌های تشخیص چهره و شناسایی ژست و حرکات است که شناسایی بلادرنگ سطوح مختلف فعالیت راننده و تشخیص فوری نشانه‌های خواب‌آلودگی یا حواس‌پرتی را ممکن می‌سازد.
سامانه‌ای پیشرفته برای پایش رفتار راننده و ارزیابی ریسک حوادث ناشی از خستگی توسعه داده شد. این سامانه با استفاده از تشخیص نقاط عطف چهره (Facial Landmarks)، چشم‌ها و دهان راننده را تحلیل کرده و نشانه‌های خستگی نظیر پلک‌زدن‌های طولانی و خمیازه‌کشیدن را شناسایی می‌کند. علاوه بر این، مکانیزم پایش جهت نگاه و تمرکز راننده افزوده شده است که وضعیت مستقیم یا غیرمستقیم بودن صورت راننده را مشخص کرده و ریسک تصادفات را کاهش می‌دهد.
اگر سیستم تشخیص دهد که رفتارهای راننده از حدود مجاز تعیین‌شده فراتر رفته است، دو گزینه در اختیار کاربر قرار می‌دهد: نخست، یک ابزار سنجش بصری (VU Meter) که تعداد دفعات و میزان تداوم این رفتارها را در بازه‌های زمانی مشخص ثبت می‌کند؛ دوم، ابزاری برای ضبط و لاگ وقایع که به شرکت‌های باربری امکان می‌دهد اطلاعات حوادث را برای آموزش و ارتقای مهارت آتی رانندگان در فضای ابری ذخیره‌سازی کنند.
با استفاده از خدمات ابری آمازون (AWS)، بستری فراهم شد تا پردازش‌های سنگین محاسباتی به‌صورت مستقیم در لبه شبکه و داخل خود وسیله نقلیه انجام شود و نیاز به سرورهای حجیم و وابستگی به پردازش مداوم ابری به حداقل برسد. افزون بر این، ترکیب ابزارهای پشته ELK (شامل Elasticsearch، Logstash و Kibana) برای پردازش سریع داده‌ها و ایجاد داشبوردهای پویا پیاده‌سازی شده است تا امکان رهگیری بهینه راننده، ارزیابی رفتاری و پشتیبانی هوشمند مهیا گردد.
علاوه بر این، یک سامانه تشخیص موقعیت‌های شبه‌تصادف با تکیه بر هوش مصنوعی توسعه داده شد که وسایل نقلیه و عابران پیاده را در تقاطع‌های شهری با دقت بالا شناسایی می‌کند. این ابزار برای همگام‌سازی با دوربین‌های هوشمند طراحی شده و در محیط‌های داخلی و بیرونی کاربرد دارد. این سیستم توانایی اتصال به دوربین‌های جانبی، ادغام داده‌های چند منبع، ردیابی اشیا در محدوده‌های از پیش‌تعیین‌شده و پردازش در لبه همراه با ارسال داده‌ها به ابر برای تحلیل‌های ساختاریافته را داراست.
فرایند اجرا
شناسایی و تحلیل
یک بررسی جامع و دقیق، چالش‌های فوری و حیاتی صنعت حمل‌ونقل جاده‌ای و باربری را مشخص کرد و خلاءهای موجود در حوزه‌های ایمنی و بهره‌وری را به روشنی آشکار ساخت. یافته‌های این پژوهش، طرح اولیه و نقشه راه نوآوری را پی‌ریزی کرد و بینش‌های اساسی حاصل از آن، چشم‌انداز توسعه این راهکار اختصاصی را شکل داد.
تعریف الزامات
همکاری با اینتل بستری برای تعیین و نگاشت دقیق پیش‌نیازها و جزئیات فنی فراهم کرد؛ فرایندی که به شناسایی و استخراج قابلیت‌های کلیدی برای پایش راننده و بهینه‌سازی عملیات ناوگان انجامید. معیارهای طراحی بر سادگی در پیاده‌سازی و پایداری متمرکز شدند تا طرح نهایی، همسویی کاملی میان امکان‌سنجی فنی و نیازهای واقعی صنعت ایجاد کند.
توسعه و پیاده‌سازی
بهره‌گیری از جعبه‌ابزار OpenVINO اینتل در کنار ظرفیت‌های ترکیبی ابر-لبه (Cloud-Edge)، پیشران توسعه‌ای نوآورانه و تحول‌آفرین شد؛ راهکاری پیشرفته که برای ارائه بینش‌ها و تحلیل‌های بلادرنگ مهندسی شد. در این مرحله، قابلیت‌های ایمنی پیش‌بینانه جهت مهار و کاهش فعالانه مخاطرات ادغام گردیدند و عملکرد پایدار و مقیاس‌پذیری به ویژگی‌های محوری سامانه تبدیل شدند.
تحویل و استقرار
نمونه اثبات مفهوم (POC) تکمیل و با دقت بالا برای کاربرد در شرایط واقعی بهینه‌سازی شد؛ به‌ویژه سیستم‌های تشخیص خستگی راننده و ردیابی وضعیت‌های شبه‌تصادف (Near-Misses) به اوج دقت عملکردی رسیدند. این سامانه مقیاس‌پذیر با معماری منسجم، ضمن ارتقای چشمگیر ایمنی راننده و تسهیل عملیات ناوگان، پایه‌ای مستحکم برای توسعه و استقرار کاربردهای آینده بنا نهاد.
نتایج
یک شرکت هوش مصنوعی یک نمونه اثبات مفهوم (POC) برای یک راهکار جامع مدیریت ناوگان پیاده‌سازی کرده است که فرآیندهای شرکت‌های حمل‌ونقل باربری را بهینه‌سازی می‌کند، ایمنی رانندگان را ارتقا می‌دهد و مزیت رقابتی آن‌ها را تقویت می‌نماید.
این نمونه اثبات مفهوم توجه مقامات شهرداری کوردوبا در آرژانتین جایی که مرکز ارائه‌خدمات این شرکت در آن مستقر است را جلب کرده و پتانسیل چشمگیری را برای پیاده‌سازی در پروژه‌های واقعی نشان داده است.
علاوه بر این، یک سامانه قدرتمند تشخیص موقعیت‌های شبه‌تصادف (Near-Misses) مهندسی کردیم که از الگوریتم‌های یادگیری ماشین برای شناسایی موقعیت‌های بالقوه خطرناک در تقاطع‌های شهری بهره می‌برد.
در نهایت، یکپارچه‌سازی موفق سامانه‌های مدیریت راننده و تشخیص موقعیت‌های پرخطر با پلتفرم اختصاصی Intel IoT DevCloud را با موفقیت به انجام رساندیم.
