Die Technologie hinter Driveri

Über die Jahre hat die Transportbranche bedeutende Innovationen erlebt, besonders mit dem Aufkommen videobasierter Fahrersicherheitsplattformen. Frühe videobasierte Fahrersicherheitsplattformen kombinierten Kollisionserkennung, Videoaufzeichnung und Internetkonnektivität, um Aufzeichnungen von Straßenunfällen zu erfassen. Diese Aufzeichnungen wurden dann von Sicherheitsmanagern auf Genauigkeit überprüft und mit Fahrern als Teil eines Coaching-Programms geteilt.Die nächste Generation videobasierter Fahrersicherheitsplattformen, beginnend mit der Einführung von Driveri im Jahr 2016, ersetzte die manuelle Überprüfung möglicher Kollisionsvideos durch kontinuierliche Analyse von Fahrszenen mittels Künstlicher Intelligenz, die direkt in das Edge-Computing-Gerät eingebettet ist. Mit einer "KI"-Dashcam hätte ein Sicherheitsmanager nun Zugang zu jeder Fahrminute eines Fahrertages, anstelle der wenigen Fahrminuten pro Monat, die die früheren Systeme boten.Wenn Sie beginnen, komplexere Daten für Millionen von Transportzyklen, Menschen, Unfälle und Straßenmeilen zu analysieren, betreten Sie den Bereich von Big Data. Basierend auf der kontinuierlichen Analyse von etwa 10 Millionen Meilen neuer Fahrdaten jede Woche hat das Driveri-System Machine Learning-Techniken eingesetzt, um prädiktive Analysen zu erstellen und zu verbessern, die die Fahrerleistung in Echtzeit steigern und Unfälle verhindern.

Der Aufstieg von Big Data im Transport

Der Einsatz von Big Data im Transport wächst rasant. Driveri-Algorithmen wurden auf den Big Data-Strömen erstellt, trainiert und getestet, die ihre Geräte sammeln, um Fahrersysteme intelligenter zu machen.Netradyne konnte den Prozess der Big Data-Sammlung, -Analyse und -Anwendung der Erkenntnisse zur Verbesserung der Fahrerleistung automatisieren, sodass sich das System kontinuierlich selbst in der besten Weise trainiert, um die Fahrerleistung mithilfe vergangener Daten zu optimieren.

Machine Learning und Künstliche Intelligenz

Machine Learning ist ein Teilbereich der Künstlichen Intelligenz (KI), der Computersystemen die Fähigkeit verleiht, aus Daten zu lernen, ohne kontinuierlich programmiert zu werden.Zum Beispiel möchten Sie vielleicht ein Programm entwickeln, das Ihr Auto bewegt, wenn die Ampel grün ist, und es stoppt, wenn sie rot ist. Ein Machine Learning-Ingenieur kann ein kurzes Programm erstellen, das diese Aufgabe möglich macht: (WENN LICHT=GRÜN DANN FAHREN, SONST STOPPEN).Dies scheint ein ziemlich einfaches Problem zu lösen zu sein - bis Sie alle Variablen berücksichtigen, die ins Spiel kommen. Was sollte zum Beispiel passieren, wenn ein anderes Auto über eine rote Ampel fährt? Nun müssen Sie Ihr Programm etwas länger machen: (WENN LICHT=GRÜN UND (KEIN AUTO FÄHRT ÜBER DIE ANDERE ROTE AMPEL), DANN FAHREN).Aber was ist, wenn Ihr Auto an einer nicht funktionierenden Ampel steht und andere Autos vor Ihnen absichtlich über das rote Licht fahren? Wie wird Ihr Fahrzeug den richtigen Zug an einem Zebrastreifen berechnen?Anstatt kontinuierlich neue Codezeilen zu Ihrem Programm hinzuzufügen, um jede Variable zu berücksichtigen, trainiert Machine Learning Ihr Programm, diese Variablen zu erkennen und ganz von selbst auf sie zu reagieren.Machine Learning beginnt mit der Sammlung von Daten aus verschiedenen Quellen. Zum Beispiel sammelt Driveri Daten, die für die Fahrerleistung und sich ändernde Straßenbedingungen relevant sind. Durch Machine Learning konzentrieren sich seine Algorithmen darauf, welche in den Daten aufgezeichneten Aktionen tendenziell die Fahrerleistung, das Management und die Straßenunfallprävention angesichts sich ändernder Straßenbedingungen positiv beeinflussen.Das Ziel ist es, dem System kontinuierliches Lernen in einem Maßstab zu ermöglichen, der unmöglich zu erreichen wäre, wenn es durch manuelle Überprüfungszyklen zurückgehalten würde.Künstlich intelligente Geräte sind wesentlich für Aufgaben, die die Verarbeitung enormer Datenmengen, das Gewinnen von Erkenntnissen daraus und das Treffen der richtigen Entscheidungen beinhalten. Dies ist etwas, was Menschen langsam und nur mit kleinen Datenmengen auf einmal tun - was der Technologie einen deutlichen Vorteil verschafft.Im Fall von Driveri stellen wir sicher, dass Daten für jede Minute jeder Straßenreise gesammelt werden. Unsere Algorithmen verarbeiten diese Daten und bieten Erkenntnisse in Echtzeit, anstatt einen Flottenmanager stundenlange Videos überprüfen zu lassen. Die Geschwindigkeit der Datenverarbeitung ist entscheidend für den Zugang zu acht Stunden Trainingsdaten pro Fahrer pro Tag, anstelle der wenigen Minuten Fahrdaten pro Fahrer pro Monat, die Legacy-Systeme sammeln.Ein typischer Berufskraftfahrer legt jährlich 100.000 Meilen zurück. Über eine dreißigjährige Laufbahn wird ein aktiver Berufskraftfahrer 3 Millionen Meilen gefahren sein. Derzeit sammeln Driveri-Systeme so viele Daten alle paar Tage. Da die KI auf dem Gerät ist, werden all diese Meilen analysiert und verwendet, um das System intelligenter zu machen. In diesem Maßstab ermöglicht die Infrastruktur, die Netradyne aufgebaut hat, dass mehrere Lebensspannen menschlicher Fahrerfahrung jede Iteration seines zunehmend intelligenten KI-Verarbeitungssystems beeinflussen.

Im Kontext des Transports

Driveri nutzt Machine Learning, um seine Plattform zu trainieren, abgelenktes Fahrverhalten und riskante Situationen zu erkennen, sowie positive und proaktive Fahrereignisse, die das System zu verstärken sucht. Das System analysiert auch Straßenbedingungen, Folgeabstände und andere Umweltfaktoren, um Ihrem Fahrer zu helfen, die sicherste Wahl zu treffen. Seine Algorithmen arbeiten im Hintergrund, um Belohnungssysteme, Fehlererkennung und Fahrer-Coaching zu steuern.Im Transport werden KI-Lösungen allmählich zu einem Industriestandard aufgrund des Aufkommens von Plattformen wie Driveri. Diese Plattformen können über ihre Umgebungen lernen und intelligent anwenden, was sie lernen. In einer Branche, die von Unfällen, Versicherungskosten und Arbeitskräftemangel belastet ist, macht Künstliche Intelligenz es möglich, die sich anhäufenden Daten zu nutzen und Lösungen für diese Probleme vorzuschlagen, indem die Häufigkeit von Unfällen reduziert wird. Weniger Unfälle wiederum senken die Versicherungsprämien, während gleichzeitig mit Fahrern auf eine Weise interagiert wird, die langfristige Arbeitszufriedenheit fördert.Driveri coacht Fahrer in ihren riskantesten Fahrgewohnheiten und zeigt ihnen den besten Weg, Risiken zu mindern, ohne dass ein Vorgesetzter ihnen im Nacken sitzt. Große Flottenmanager können auch sicher sein, dass der gesamte Prozess der Erkennung schlechten Verhaltens bei Fahrern im Hintergrund ablaufen kann, während sie andere dringende Aufgaben erledigen.

Driveri-Technologie und Künstliche Intelligenz

Künstliche Intelligenz bildet die Grundlage der Driveri-Plattform. Hauptsächlich für fortgeschrittene Datenanalytik vorgesehen, fließt die Technologie in andere Funktionen wie Kommunikation und ein Belohnungssystem ein.Die Plattform arbeitet in drei Hauptschritten: Datensammlung, deren Interpretation und Handeln darauf durch drei verschiedene Bereiche. Diese Bereiche sind ihr videobasiertes Datensammlung-Flottenkamera-System bestehend aus Kameras und Sensoren, ihr Datenanalytik-System mit Künstlicher Intelligenz und die Belohnungssysteme DriverStar und GreenZone.

Driveri-Datenanalytik-System

Das Driveri-Datenanalytik-System sammelt Erkenntnisse über Straßenbedingungen, Verkehrsgefahren und Fahrerleistung, einschließlich abgelenktem Fahrverhalten. Nach der Analyse der Daten coacht das System Fahrer durch herausfordernde Situationen und riskante Verhaltensweisen mittels Echtzeit-Benachrichtigungen. Dies kann Flotten Millionen von Dollar an Schäden sparen, indem potenzielle Unfälle abgewendet werden.

Videobasiertes System

Driveris videobasiertes System wird hauptsächlich für die Datensammlung während der Fahrt verwendet. Interne und externe Kameras erfassen Fahrerverhalten, erfassen Unfälle sowie Straßenauseinandersetzungen und erfassen Straßendaten. Das System besteht aus einer Gruppe von seitlichen, nach vorne gerichteten und Innenraum-QUAD HD-Kameras für hochwertige Videoaufzeichnung und Echtzeit-Ereigniswiedergabe. Manager können bei Bedarf auf bis zu 50 Stunden Videowiedergabe zugreifen.Driveri kombiniert KI und Machine Learning, um seine künstlich intelligente Fahrermanagement-Plattform zu erstellen und zu betreiben, die Daten in Echtzeit sammelt und analysiert. Mit Hilfe der Technologie können Fahrer Risiken mindern, während Flotten die Sicherheit aufrechterhalten und die Fahrerleistung in Echtzeit überwachen können. Kontaktieren Sie uns, um mehr über unsere fortschrittliche Driveri-Technologie zu erfahren.