深度学习让铁路列车更加“自主”运行 Autonomous Trains|地铁图

文章目录 [+]

在机器学习、图像识别和 GPU 的助力下，铁路列车或将开启更加自主（autonomous）运行的先河。自动驾驶汽车和卡车已经成为人们热议的话题。但事实上，最有可能抢先大规模普及自主运行技术的交通工具是列车。原因是，不同于载客汽车或长途卡车，列车是在轨道上运行的，其特定的运行环境，决定其需要认识理解的环境相对有限，且不涉及太多类型的决策。

在很多地方，无论是以硬件为基础的信号系统，还是无线调度系统，运用于列车上的众多技术都已有数十年“高龄”。

如今，列车专职人员已开始利用互联网、精密的传感设备，以及日益普及的深度学习等工具与技术，来确保列车准时运行。对于列车运输这一早期工业革命的标志性行业而言，这无疑是巨大的变化。

“智能列车的未来”

“我们正在探索智能列车和无声轨道的未来。从轨道技术到车内技术，所有技术都在快速革新。”4TEL Pty Ltd 的总经理 Derel Wust 如是说。4TEL Pty Ltd 是澳大利亚的一家私营企业，正在新南威尔士开发深度学习试点项目。

Wust 在今年早些时候举办的 GPU 技术大会上提到了纽约大都会运输署 (MTA)的案例，采用以通信为基础的列车运行控制技术升级地铁网。该案例证明：替换过时的列车技术将付出高昂的代价。纽约州州长 Andrew Cuomo 曾在一次讲话中表示，按目前的速度，升级整套地铁系统需花费 40 年的时间。

某报告指出，升级地铁系统所有线路的项目将耗费长达 35 年时间，花费 200 亿美元。而今，Wust 指出，基于列车的人工智能解决方案能够最大程度地节省资金、缩短工期。

4TEL 公司携手工程公司 John Holland，将在新南威尔士国家区域网络 (Country Regional Network) 中的列车上应用以机器学习为基础的全新技术方法。在当前阶段，Wust 的目标是收集数据，并了解该技术方法与行为模型的配合情况。

该公司在新南威尔士设有一个 Horus 系统建设试点项目。该项目利用红外摄像机、光学摄像机以及机器学习算法，为列车运营提供软件支持。该系统在 NVIDIA DRIVE 平台上运行。

追踪模拟效果

Wust 所在的公司是少数几家运用所谓的“数字映射/孪生”（“digital twin”）模型对自动驾驶列车领域进行开拓的前沿铁路技术公司之一。这种模型能够模拟出轨道上的情况，从而反映其真实铁路网络。

管理着总长近 5,000 英里铁路的瑞士联邦铁路公司曾在 GTC 大会上谈及他们为确保列车系统准时运行而升级系统的努力。该公司维护的系统错综复杂，调度着国内的高速列车和低速货运列车。要让这个复杂的列车运输网络正常运作，需要超过 13,000 个道岔来进行控制保证“混跑”。

该公司每天运送的旅客超过 120 万人次。它拥有独立发电厂，为其列车供应的几乎全是可再生能源；它同时也是瑞士最大的房地产企业之一。“你可能会感到惊讶——除此之外，我们还是一家大型软件公司，”这家公司的业务分析员兼人工智能研究员Erik Nygren表示。

该公司的研究与创新平台由 Dirk Abels 负责。平台使用 NVIDIA DGX-1 AI 超级计算机进行模拟仿真和深度强化学习，以优化列车时刻表和调度安排。

该公司已将其掌握的所有地理信息整合到模拟环境中，让列车调度员可在虚拟环境中实现实时列车数据的交互。

此外，该公司还进行了安全性能方面的开发，为列车添加了自动制动系统，目前正处于模拟阶段。公司业务分析员兼 HPC 专家 Adrian Egli 表示：“我们的'碰撞检测'能在半秒内完成。

维护保养

除上述公司之外，通用电气GE正致力于开发车内列车引导系统，将摄像机、软件与 GPU 技术整合为一体。通用电气与印度铁路公司签署了一份合同，在印度班加罗尔的列车上试用技术。这家公司不仅销售设备，还通过订购方式销售包含分析功能的摄像系统。通用电气运输系统（GE Transportation）运用 NVIDIA DGX-1 和其他的 NVIDIA GPU 进行训练，并运用 NVIDIA Xavier 平台和 P100 GPU 进行车载模型推理。

轨道检查是一项严峻考验——检查期间，需要封闭部分轨道，便于工作人员在轨道上行走，找出有问题的枕木和其他需要维护保养的地方。轨道封闭的这段时间，可能会导致数百万美元的流失。通用电气运输系统正致力于运用人工智能将定期维护升级为“预测型和规范型维护”，从而既可确保安全，又能节省资金。