January 30, 2020
Im Laufe der Jahre hat die Transportbranche bedeutende Innovationen erlebt, insbesondere mit dem Aufkommen sichtgestützter Fahrersicherheitsplattformen. Frühe bildgestützte Fahrersicherheitsplattformen kombinierten Kollisionserkennung, Videoaufzeichnung und Internetkonnektivität, um Aufzeichnungen von Verkehrsunfällen zu erfassen. Diese Aufzeichnungen wurden dann von Sicherheitsverantwortlichen auf ihre Richtigkeit überprüft und den Fahrern im Rahmen eines Coaching-Programms zur Verfügung gestellt. Die nächste Generation sichtgestützter Fahrersicherheitsplattformen, die mit der Einführung von Driveri im Jahr 2016 begann, ersetzte die manuelle Überprüfung möglicher Kollisionsvideos durch die kontinuierliche Analyse von Fahrszenen mithilfe künstlicher Intelligenz, die direkt in das Edge-Computing-Gerät integriert war. Mit einer „KI“ -Dashcam Sicherheitsmanager hätte jetzt Zugriff auf jede Fahrminute eines Fahrertages, anstatt auf die wenigen Minuten Fahrminuten pro Monat, die die früheren Systeme boten. Wenn Sie beginnen, komplexere Daten für Millionen von Transportzyklen, Personen, Unfällen und Straßenkilometern zu analysieren, bewegen Sie sich in den Bereich Big Data. Basierend auf der kontinuierlichen Analyse von rund 10 Millionen Meilen an neuen Fahrdaten pro Woche hat das Driveri-System Techniken des maschinellen Lernens eingesetzt, um prädiktive Analysen zu erstellen und zu verbessern, die die Fahrerleistung in Echtzeit steigern und Unfälle verhindern.
Der Einsatz von Big Data im Transportwesen ist schnell wachsend. Driveri-Algorithmen wurden anhand der großen Datenströme, die seine Geräte sammeln, entwickelt, trainiert und getestet, um die Fahrersysteme intelligenter zu machen.Tradyne war in der Lage, den Prozess der Erfassung, Analyse und Anwendung der Erkenntnisse zu automatisieren, um die Verbesserung zu verbessern Fahrerleistung, damit sich das System kontinuierlich auf die beste Art und Weise trainiert um die Fahrerleistung anhand von Daten aus der Vergangenheit zu optimieren.
Maschinelles Lernen ist eine Untergruppe der künstlichen Intelligenz (KI), die es Computersystemen ermöglicht, aus Daten zu lernen, ohne ständig programmiert zu werden. Beispielsweise möchten Sie vielleicht ein Programm entwickeln, das Ihr Auto bewegt, wenn das Licht grün ist, und es stoppt, wenn es rot ist. Ein Ingenieur für maschinelles Lernen kann ein kurzes Programm erstellen, das diese Aufgabe ermöglicht: (WENN LIGHT=GREEN THEN GO, ELSE STOP) .Das scheint ein ziemlich einfach zu lösendes Problem zu sein — bis Sie alle Variablen berücksichtigt haben, die ins Spiel kommen. Was sollte zum Beispiel passieren, wenn ein anderes Auto über eine Ampel fährt? Jetzt musst du dein Programm etwas länger machen: (WENN LICHT GRÜN IST UND (KEIN AUTO FÄHRT ÜBER DAS ANDERE ROTE LICHT), DANN GEH). Aber was ist, wenn dein Auto an einer Ampel angehalten wird, die nicht funktioniert, und andere Autos vor dir absichtlich die rote Ampel fahren? Wie berechnet Ihr Fahrzeug die richtige Bewegung an einem Zebrastreifen? Anstatt Ihrem Programm ständig neue Codezeilen hinzuzufügen, um jede Variable zu berücksichtigen, trainiert maschinelles Lernen Ihr Programm darin, diese Variablen zu erkennen und eigenständig darauf zu reagieren. Maschinelles Lernen beginnt mit der Erfassung von Daten aus verschiedenen Quellen. Driveri sammelt beispielsweise Daten, die für die Fahrerleistung und sich ändernde Straßenbedingungen relevant sind. Durch maschinelles Lernen konzentrieren sich die Algorithmen darauf, welche in den Daten aufgezeichneten Aktionen die Fahrerleistung, das Management und die Vermeidung von Verkehrsunfällen angesichts sich ändernder Straßenbedingungen tendenziell positiv beeinflussen. Ziel ist es, dass das System kontinuierlich und in einem Ausmaß lernt, das unmöglich zu erreichen wäre, wenn es durch manuelle Überprüfungszyklen gebremst würde. Künstlich intelligente Geräte sind unverzichtbar für Aufgaben, bei denen riesige Datenmengen verarbeitet, Erkenntnisse daraus gewonnen und die richtigen Entscheidungen getroffen werden müssen. Dies ist etwas, das Menschen langsam und mit nur kleinen Datenbits gleichzeitig tun — was der Technologie einen deutlichen Vorteil verschafft. Im Fall von Driveri stellen wir sicher, dass Daten für jede Minute jeder Straßenfahrt gesammelt werden. Unsere Algorithmen verarbeiten diese Daten und bieten Einblicke in Echtzeit, anstatt dass ein Flottenmanager stundenlanges Video überprüft. Die Geschwindigkeit der Datenverarbeitung ist entscheidend, um Zugriff auf acht Stunden Trainingsdaten pro Fahrer und Tag zu erhalten, und nicht auf die wenigen Minuten an Fahrdaten pro Fahrer und Monat, die herkömmliche Systeme sammeln. Ein typischer Berufskraftfahrer protokolliert jedes Jahr 100.000 Fahrmeilen. In einer dreißigjährigen Karriere wird ein aktiver Berufskraftfahrer 3 Millionen Meilen gefahren sein. Derzeit sammeln Driveri-Systeme alle paar Tage so viele Daten. Da sich die KI auf dem Gerät befindet, werden all diese Meilen analysiert und verwendet, um das System intelligenter zu machen. In dieser Größenordnung ermöglicht die Infrastruktur, die Netradyne aufgebaut hat, mehrere Lebenszeiten menschlichen Fahrerlebnisses, das sich auf jede Iteration seines zunehmend intelligenten KI-Verarbeitungssystems auswirkt.
Driveri nutzt maschinelles Lernen, um seine Plattform so zu trainieren, dass sie abgelenktes Fahrverhalten und riskante Situationen sowie positive und proaktive Fahrereignisse erkennt, die das System verstärken will. Das System analysiert auch den Straßenzustand, die eingehaltenen Entfernungen und andere Umweltfaktoren, um Ihrem Fahrer zu helfen, die sicherste Wahl zu treffen. Seine Algorithmen arbeiten hinter den Kulissen, um Belohnungssysteme, Fehlererkennung und Fahrercoaching voranzutreiben. Im Transportwesen werden KI-Lösungen aufgrund des Aufstiegs von Plattformen wie Driveri allmählich zu einem Industriestandard. Diese Plattformen können etwas über ihre Umgebung lernen und das Gelernte intelligent anwenden. In einer Branche, die von Unfällen, Versicherungskosten und Arbeitskräftemangel belastet wird, ermöglicht es künstliche Intelligenz, die gesammelten Daten zu sammeln und Lösungen für diese Probleme vorzuschlagen, indem die Häufigkeit von Unfällen reduziert wird. Weniger Unfälle wiederum senken die Versicherungsprämien, während gleichzeitig die Fahrer auf eine Weise zusammenarbeiten, die die langfristige Arbeitszufriedenheit fördert. Driveri coacht Fahrer in ihren riskantesten Fahrgewohnheiten und zeigt ihnen, wie sie Risiken am besten mindern können, ohne dass ihnen ein Vorgesetzter im Nacken sitzt. Große Flottenmanager können auch sicher sein, dass der gesamte Prozess der Erkennung von schlechtem Verhalten der Fahrer im Hintergrund abläuft, während sie andere dringende Aufgaben erledigen.
Künstliche Intelligenz bildet die Grundlage der Driveri-Plattform. Die Technologie, die hauptsächlich für fortschrittliche Datenanalysen konzipiert ist, fließt in andere Funktionen wie Kommunikation und ein Belohnungssystem ein. Die Plattform besteht aus drei Hauptschritten: Daten sammeln, interpretieren und in drei verschiedenen Abschnitten darauf reagieren. Bei diesen Abschnitten handelt es sich um die Flottenkamera zur bildgestützten Datenerfassung Flottenkamerasystem besteht aus Kameras und Sensoren, seinem Datenanalysesystem mit künstlicher Intelligenz und den Belohnungssystemen DriverStar und GreenZone.
Das Driveri Datenanalysesystem sammelt Erkenntnisse über Straßenbedingungen, Verkehrsgefahren und Fahrerleistung, einschließlich abgelenktem Fahrverhalten. Nach der Analyse der Daten coacht das System die Fahrer durch Benachrichtigungen in Echtzeit in schwierigen Situationen und riskantem Verhalten. Dies kann Flotten Schäden in Millionenhöhe ersparen, indem potenzielle Unfälle vermieden werden.
Das bildgestützte System von Driveri wird hauptsächlich für die Datenerfassung während der Fahrt verwendet. Interne und externe Kameras erfassen das Fahrerverhalten, erfassen Unfälle sowie Straßenveränderungen und erfassen Straßendaten. Das System besteht aus einer Gruppe von QUAD-HD-Kameras mit seitlicher, frontseitiger und innerer Ausrichtung für hochwertige Videoaufzeichnungen und Eventwiedergabe in Echtzeit. Manager können bei Bedarf auf bis zu 50 Stunden Videowiedergabe zugreifen. Driveri kombiniert KI und maschinelles Lernen, um seine künstlich intelligente Fahrerverwaltungsplattform zu entwickeln und zu betreiben, die Daten in Echtzeit sammelt und analysiert. Mithilfe der Technologie können Fahrer Risiken mindern, während Flotten die Sicherheit gewährleisten und die Fahrerleistung in Echtzeit überwachen können. Kontaktiere uns um mehr über unsere fortschrittliche Driveri-Technologie zu erfahren.