به کارگیری هوش‌مصنوعی و ابزارهای آن نظیر یادگیری ماشین، یادگیری عمیق و بینایی ماشین در مهندسی حمل‌ونقل، سهم بسزایی از پیشرفت‌های حاصل شده در این علم داشته و تا کنون بخش‌های مختلف آن، نظیر ایمنی ترافیک، مدیریت راه‌ها و ... را تحت تاثیر خود قرار داده‌است.
شناسایی قابلیت‌ها و کاربردهای هوش مصنوعی در مهندسی حمل‌ونقل باعث شده‌است تا بسیاری از شرکت‌های مرتبط، به استفاده از آن در این صنعت سوق داده‌شوند. به کارگیری هوش‌مصنوعی می‌تواند کمک شایانی به شکل‌گیری هرچه بهتر و سازمان‌یافته‌تر شهرهای هوشمند کند. از جمله این کاربردها می‌توان به موارد زیر اشاره نمود:
اگرچه ساخت این نوع از وسایل نقلیه به سال 1939 توسط شرکت جنرال موتورز بر می‌گردد اما، تولید انبوه آنها توسط کارخانه‌های خودروسازی اخیرا و با ظهور هوش‌مصنوعی در حمل‌ونقل قوت گرفته‌است. در ساخت این وسایل نقلیه از الگوریتم‌های «شناسایی اشیا‌‌ء» برای تشخیص مسیر حرکت، علائم ترافیکی، عابرین پیاده و خط‌کشی‌ها استفاده می‌شود. برای جمع‌آوری داده نیز از دوربین‌ها و حسگرهای تعبیه شده در آنها استفاده می‌شود. یکی از پیشگامان خودروهای خودران، تسلا می‌باشد. این شرکت با کمک داده‌های تصویری و با کمک شبکه‌های عصبی، به توسعه سیستم خودروهای خود می‌پردازد.
اگرچه تشخیص رنگ چراغ راهنمایی برای انسان بسیار ساده می‌باشد، اما شاید جالب به نظر برسد که سالانه در ایالات متحده آمریکا، 1000 نفر در اثر عبور غیرمجاز از چراغ قرمز، کشته می‌شوند. بهترین راه برای جلوگیری از این مرگ‌ومیرها، استفاده از خودروهای خودران با قابلیت تشخیص و دسته‌بندی رنگ چراغ و عملکرد مناسب در مواجه با آنها می‌باشد. همچنین برای کنترل هوشمند و هماهنگی این چراغ‌ها، می‌توان از هوش‌مصنوعی استفاده کرد.
به دلیل پیچیدگی رفتار عابرین در مقایسه با اجسام دیگر و اهمیت ایمنی آنها، تشخیص آنان علاوه بر اهمیت فراوان، دشواری‌های خاص خود را دارد. این پرسش که از چه ویژگی‌هایی برای تشخیص افراد استفاده می¬شود، یکی از چالش‌های اساسی در تشخیص عابرین می‌باشد. ویژگی‌های ظاهری، نحوه حرکت و ... از مواردی می‌باشند که می‌توانند برای تشخیص عابرین به کار گرفته شوند.
جریان ترافیک تاثیرات فراوانی بر رفتار رانندگان و آلودگی هوا دارد که خود هزینه‌های هنگفتی بر کاربران شبکه حمل و نقل تحمیل می‌کند. هوش‌مصنوعی در این راستا ابزار بسیار قدرتمندی است که می تواند به تحلیل و بهبود جریان ترافیک کمک شایانی کند. به عنوان مثال روش‌های یادگیری عمیق پیشرفته برای تشخیص خودروها و مسیر حرکت آنها از اهمیت ویژه‌ای در مطالعات حمل‌ونقلی برخوردار است.
جای پارک وسایل نقلیه از مسائلی است که هر انسانی، مدت زیادی از عمر خود را صرف یافتن آن می‌کند. از کاربردهای مهم هوش‌مصنوعی می توان به استفاده از سنسورهای مبتنی بر ارسال امواج یا مسافت سنج همراه با دوربین‌ها و روش‌های بینایی ماشین برای یافتن مکان‌های مجاز پارک اشاره کرد. در این حالت رانندگان می‌توانند به کمک تلفن‌همراه خود از مکان‌های موجود برای پارک وسیله نقلیه خود که توسط سامانه های پارکینگ هوشمند مشخص می شود مطلع شده و با صرف کمترین زمان و مسافت وسیله نقلیه خود را در مکان مشخص شده پارک کنند.
خرابیهای روسازی راه‌ها، هزینه‌های زیادی به رانندگان و متولیان راه تحمیل می‌کند. شناسایی و دسته‌بندی خرابیهای راه می‌تواند باعث کاهش هزینه‌ها با انجام اقدامات بجا و به موقع برای ترمیم و نگهداری راه شود. با استفاده از روش‌های شناسایی و دسته‌بندی تصاویر خرابی های سطحی راه ها و به کمک الگوریتم‌های یادگیری ماشین، یادگیری عمیق و پردازش تصویر می¬توان نوع، شدت و وسعت خرابیهای روسازی را پیش بینی کرد.
تشخیص و پیشگیری حوادث ترافیکی خطر آفرین مانند حرکت در مسیر اشتباه، سرعت غیرمجاز و رانندگی پرخاشگرانه در موقعیت‌ها مختلفی چون تونل‌ها، جاده‌ها و تقاطع‌ها که می تواند منجر به تصادف شوند توسط هوش مصنوعی از اهمیت بسزایی برخوردار است. در این راستا به کمک حسگر‌هایی مانند دوربین‌های کنترل‌کننده ترافیک و استفاده از روش بینایی ماشین این وقایع مخاطره آمیز شناسایی شده و در زمان مناسب برای جلوگیری یا امداد رسانی حوادث اقدام می توان کرد.
تشخیص پلاک خودرو برای پلیس بسیار مهم است. عکس پلاک توسط دوربین‌های کنترل‌ترافیک و یا دوربین‌هایی که اخیرا مخصوص این امر ساخته‌شده‌اند جمع‌آوری و سپس به سرور اصلی ارسال شده و در آن‌جا پردازش می‌شوند. علاوه بر پلیس، کارشناسان حمل‌ونقل نیز از این داده‌ها برای تحلیل جریان ترافیک و تقاضای سفر درنقاط مختلف استفاده می‌کنند.
سالانه تصادفات بسیاری در اثر خواب آلودگی و یا خستگی مفرط رانندگان رخ می‌دهد. هوش‌مصنوعی در خودروها به کار گرفته می‌شود تا از حوادث مشابه جلوگیری کرده و در کنار فرهنگ و مسئولیت‌پذیری رانندگان، به کاهش این چنین حوادثی ختم شود. سیستم‌های هشدار دهنده از سیستم‌های متداول می‌باشند که در این بخش مورد استفاده قرار می‌گیرند.
گردآورنده: محمد جواد امانی
