De Technologie Achter Driveri

Door de jaren heen heeft de transportsector aanzienlijke innovatie gekend, vooral met de opkomst van vision-based rijveiligheidsplatforms. Vroege vision-based rijveiligheidsplatforms combineerden botsingsdetectie, video-opname en internetconnectiviteit om verslagen van verkeersongevallen vast te leggen. Deze verslagen werden vervolgens beoordeeld door veiligheidsmanagers op juistheid en gedeeld met chauffeurs als onderdeel van een coachingprogramma. De volgende generatie vision-based rijveiligheidsplatforms, te beginnen met de introductie van Driveri in 2016, verving handmatige beoordeling van mogelijke botsingsvideo's met continue analyse van rijscenario's met behulp van Artificial Intelligence die direct in het edge computing-apparaat was ingebed. Met een "AI" dashcam zou een veiligheidsmanager nu toegang hebben tot elke rijminuut van een chauffeur's dag, in plaats van de paar rijminuten per maand die de eerdere systemen boden. Wanneer je complexere data gaat analyseren voor miljoenen transportcycli, mensen, ongevallen en gereden kilometers, begeef je je op het gebied van Big Data. Gebaseerd op continue analyse van ongeveer 10 miljoen kilometer nieuwe rijdata elke week, heeft het Driveri-systeem Machine Learning-technieken ingezet om voorspellende analyses te creëren en te verbeteren die chauffeursprestaties in real-time boosten en crashes voorkomen.

De Opkomst van Big Data in Transport

Het gebruik van big data in transport groeit snel. Driveri-algoritmen zijn gecreëerd, getraind en getest op de big data-stromen die zijn apparaten verzamelen om chauffeursystemen slimmer te maken. Netradyne is erin geslaagd het proces van big data-verzameling, analyse en toepassing van de inzichten te automatiseren om chauffeursprestaties te verbeteren zodat het systeem zichzelf continu traint op de beste manier om chauffeursprestaties te optimaliseren met behulp van historische data.

Machine Learning en Artificial Intelligence

Machine learning is een onderdeel van artificial intelligence (AI) dat computersystemen de mogelijkheid geeft om te leren van data zonder continu geprogrammeerd te worden. Bijvoorbeeld, je wilt misschien een programma ontwikkelen dat je auto laat rijden wanneer het licht groen is en stopt wanneer het rood is. Een machine learning-ingenieur kan een kort programma creëren dat deze taak mogelijk maakt: (ALS LICHT=GROEN DAN RIJDEN, ANDERS STOPPEN). Dit lijkt een redelijk eenvoudig probleem om op te lossen - totdat je alle variabelen in beschouwing neemt die een rol spelen. Bijvoorbeeld, wat moet er gebeuren wanneer een andere auto door rood rijdt? Nu moet je je programma een beetje langer maken: (ALS LICHT=GROEN EN (GEEN AUTO DIE DOOR HET ANDERE RODE LICHT RIJDT), DAN RIJDEN). Maar wat als je auto stilstaat bij een verkeerslicht dat niet functioneert, en andere auto's voor je rijden bewust door het rode licht? Hoe zal je voertuig de juiste zet berekenen bij een voetgangersoversteekplaats? In plaats van continu nieuwe regels code toe te voegen aan je programma om rekening te houden met elke variabele, traint machine learning je programma om deze variabelen te herkennen en er zelfstandig op te handelen. Machine learning begint met het verzamelen van data uit verschillende bronnen. Bijvoorbeeld, Driveri verzamelt data relevant voor chauffeursprestaties en veranderende wegomstandigheden. Door machine learning focussen zijn algoritmen op welke acties vastgelegd in de data de neiging hebben om chauffeursprestaties, management en wegongevallenpreventie positief te beïnvloeden ondanks veranderende wegomstandigheden. Het doel is om het systeem continu te laten leren en op een schaal die onmogelijk te bereiken zou zijn als het gehinderd zou worden door handmatige beoordelingscycli. Kunstmatig intelligente apparaten zijn essentieel voor taken die het verwerken van enorme hoeveelheden data, het verkrijgen van inzichten hieruit en het nemen van de juiste beslissingen inhouden. Dit is iets wat mensen langzaam doen en slechts met kleine stukjes data tegelijk - wat technologie een duidelijk voordeel geeft. In het geval van Driveri zorgen we ervoor dat data wordt verzameld voor elke minuut van elke reis. Onze algoritmen verwerken deze data en bieden inzichten in real-time, in plaats van dat een wagenpark manager uren video moet beoordelen. De snelheid van dataverwerking is cruciaal om toegang te krijgen tot acht uur trainingsdata per chauffeur per dag, in plaats van de paar minuten rijdata per chauffeur per maand die legacy systemen verzamelen. Een typische commerciële chauffeur legt 100.000 kilometer af per jaar. Over een carrière van dertig jaar zal een actieve commerciële chauffeur 3 miljoen kilometer hebben gereden. Momenteel verzamelen Driveri-systemen zoveel data elke paar dagen. Omdat de AI op het apparaat zit, worden al deze kilometers geanalyseerd en gebruikt om het systeem slimmer te maken. Op deze schaal maakt de infrastructuur die Netradyne heeft gebouwd het mogelijk dat meerdere levens aan menselijke rijervaring elke iteratie van zijn steeds intelligentere AI-verwerkingssysteem beïnvloedt.

In de Context van Transport

Driveri gebruikt machine learning om zijn platform te trainen om afgeleid rijgedrag en riskante situaties te herkennen, evenals positieve en proactieve rijgebeurtenissen die het systeem wil versterken. Het systeem analyseert ook wegomstandigheden, volgafstanden en andere omgevingsfactoren om je chauffeur te helpen de veiligste keuze te maken. Zijn algoritmen werken op de achtergrond om beloningssystemen, foutherkenning en chauffeurcoaching aan te sturen. In transport worden AI-oplossingen geleidelijk een industriestandaard door de opkomst van platforms zoals Driveri. Deze platforms kunnen leren over hun omgevingen en intelligent toepassen wat ze leren. In een industrie die wordt bezwaard door ongevallen, verzekeringskosten en personeelstekort, maakt artificial intelligence het mogelijk om de zich opstapelende data te oogsten en oplossingen voor deze problemen voor te stellen door de frequentie van ongevallen te verminderen. Minder crashes verlagen op hun beurt verzekeringspremies, terwijl ze tegelijkertijd omgaan met chauffeurs op een manier die langetermijn werktevredenheid bevordert. Driveri coacht chauffeurs over hun meest riskante rijgewoonten, en toont hen de beste manier om risico's te beperken zonder dat een supervisor over hun schouder meekijkt. Grote wagenparkmanagers kunnen er ook zeker van zijn dat het hele proces van het detecteren van slecht gedrag bij chauffeurs op de achtergrond kan worden gedaan terwijl zij andere urgente taken afhandelen.

Driveri Technologie en Artificial Intelligence

Artificial intelligence vormt de basis van het Driveri-platform. Voornamelijk bedoeld voor geavanceerde data-analyse, sijpelt de technologie door naar andere functies zoals communicatie en een beloningssysteem. Het platform werkt in drie belangrijke stappen: data verzamelen, interpreteren en erop handelen door middel van drie verschillende secties. Deze secties zijn zijn vision-based dataverzamelings wagenparkbeveiliging camerasysteem bestaande uit camera's en sensoren, zijn data-analysesysteem met behulp van artificial intelligence, en beloningssystemen DriverStar en GreenZone.

Driveri Data-analysesysteem

Het Driveri data-analysesysteem verzamelt inzichten betreffende wegomstandigheden, verkeersgevaren en chauffeursprestaties, inclusief afgeleid rijgedrag. Na het analyseren van de data coacht het systeem chauffeurs door uitdagende situaties en riskant gedrag heen door middel van real-time meldingen. Dit kan wagenparken miljoenen dollars aan schade besparen door potentiële ongevallen te voorkomen.

Vision-based Systeem

Driveri's vision-based systeem wordt voornamelijk gebruikt voor dataverzameling tijdens het rijden. Interne en externe camera's leggen chauffeurgedrag vast, leggen ongevallen evenals wegincidenten vast, en leggen wegdata vast. Het systeem bestaat uit een groep zij-, voorwaarts gerichte en interieur QUAD HD-camera's voor hoogwaardige video-opname en real-time gebeurtenis weergave. Managers kunnen toegang krijgen tot maximaal 50 uur video-weergave wanneer nodig. Driveri combineert AI en machine learning om zijn kunstmatig intelligente chauffeurmanagementsplatform te creëren en te bedienen dat data in real-time verzamelt en analyseert. Met behulp van technologie kunnen chauffeurs risico's beperken, terwijl wagenparken veiligheid kunnen handhaven en chauffeursprestaties in real-time kunnen monitoren. Neem contact met ons op om meer te leren over onze geavanceerde Driveri-technologie.