Sadarbība starp tehnoloģiju un autoceļu iestādēm (pilsētu un nacionālā līmenī): uz mākslīgā intelekta balstīta prognozējošā uzturēšana satiksmes infrastruktūrai

2025. gada 18. decembris

pexels sejio402 27134570

Satiksmes infrastruktūra ir mūsdienu autoceļu transporta iestāžu pamats, taču tradicionālās uzturēšanas pieejas bieži vien noved pie dārgajiem steidzamajiem remontiem, negaidītiem ceļu slēgumiem un apdraudētas drošības.

Pāreja no reaktīvās uz paredzamo apkopi, ko nodrošina mākslīgais intelekts un sensoru tīkli, paver ievērojamas iespējas pašvaldībām modernizēt infrastruktūras pārvaldību.

Izmantojot reāllaika datus no ceļu tīklos izvietotajiem sensoriem, pilsētu iestādes var paredzēt avārijas pirms to iestāšanās, plānot proaktīvas darbības un ievērojami samazināt gan izmaksas, gan satiksmes plūsmas traucējumus.

Tradicionālās infrastruktūras uzturēšanas izaicinājums

Kārtējo satiksmes infrastruktūras uzturēšanu parasti veic, reaģējot uz problēmām vai ievērojot fiksētus uzturēšanas grafikus. Lai gan šīs metodes ir pazīstamas, tās rada vairākas būtiskas problēmas:

Negaidīti atteikumi un drošības riski

Infrastruktūras avārijas bieži notiek bez brīdinājuma, radot bīstamas situācijas ceļu satiksmes dalībniekiem. Satiksmes signālu kļūmes, strauji veidojošies bedres vai konstrukciju bojājumi var izraisīt nelaimes gadījumus un traumas, liekot iestādēm pāriet uz steidzamu reaģēšanas režīmu.

 

Steidzamu remonta izdevumi

Avārijas remontdarbi var izmaksāt divas līdz trīs reizes dārgāk nekā plānotā uzturēšana. Brigādes ir jāiesaista ar īsu brīdinājumu, bieži vien ārpus parastajiem darba laikiem, vienlaikus steidzamības kārtā jāiegādājas materiāli. Netiešie izdevumi vēl vairāk palielina slogu, ieskaitot satiksmes sastrēgumus, apbraucamo ceļu vadību un pastiprinātas iedzīvotāju sūdzības.

 

Satiksmes traucējumi un neefektīva resursu izmantošana

Neparedzēti ceļu slēgumi ir viens no galvenajiem satiksmes sastrēgumu cēloņiem, un tiek lēsts, ka tie veido 15–20% no vienreizējiem satiksmes kavējumiem lielās metropolēs. Tajā pašā laikā, veicot apkopi saskaņā ar kalendāru, var tikt apkopoti objekti, kas joprojām ir labā stāvoklī, vienlaikus nepamanot detaļas, kurām drīz draud kritiska atteice.

Kā darbojas mākslīgā intelekta vadīta prognozējošā apkope

Kopjošā uzturēšana pārveido infrastruktūras pārvaldību, izmantojot integrētu tehnoloģisko komponentu kopumu:

Sensoru izvietošana un datu vākšana

Mūsdienu satiksmes infrastruktūru var aprīkot ar sensoriem, kas nepārtraukti uzrauga aktīvu stāvokli. Tie ietver seguma sensorus ar iebūvētiem deformācijas mērītājiem, tiltu veselības uzraudzības sistēmas vibrāciju un korozijas mērīšanai, luksoforu diagnostiku, vides sensorus un dators redzes kameras, kas spēj noteikt virsmas defektus un bojājumus.

Reāllaika datu apstrāde un prognozējošā analīze

Mašīnmācīšanās algoritmi reāllaikā analizē ienākošos sensoru datus, nosakot pamata apstākļus un konstatējot anomālijas. Mākslīgā intelekta modeļi, kas apmācīti uz vēsturiskiem kļūmju paraugiem un pašreizējiem novērojumiem, var prognozēt, kad konkrētas infrastruktūras sastāvdaļas, visticamāk, sabruks. Šīs prognozes ņem vērā nolietojuma tendences, vides stresu, satiksmes intensitāti un sastāvdaļu savstarpējo atkarību — nodrošinot ne tikai brīdinājumus, bet arī paredzamos laika grafikus ar ticamības intervālu.

Automātiska trauksmes ģenerēšana

Kad sistēma identificē paaugstinātu kļūmes risku, tā automātiski ģenerē prioritizētus brīdinājumus. Tie ir sakārtoti pēc drošības kritiskuma, laika līdz kļūmei, potenciālās ietekmes, remonta sarežģītības un pieejamā budžeta, ļaujot iestādēm rīkoties izlēmīgi un efektīvi.

 

Tematiskais pētījums: EvoRoads projekts Latvijā

Iespaidīgs veiksmīgas sadarbības piemērs starp tehnoloģiju nodrošinātājiem un valsts iestādēm ir pilotprojekts "EvoRoads" Latvijā, kas demonstrē ar mākslīgo intelektu vadītas prognozējošās uzturēšanas reālo ietekmi.

Ekrānuzņēmums 2025-12-18 14-06-17
Par projektu EvoRoads

EvoCeļi (Evolucionāri risinājumi holistiskas drošības sistēmas pieejas īstenošanai visiem satiksmes dalībniekiem) ir Eiropas Savienības programmas Horizon Europe iniciatīva, kas tika uzsākta 2024. gada maijā un ilgs līdz 2027. gada aprīlim. Apvienojot 20 partnerus visā Eiropā, ar pilotprojektu vietām Spānijā, Itālijā, Latvijā un Rumānijā, projekts atbalsta ES mērķi "Vision Zero" – likvidēt ceļu satiksmes nāves gadījumus līdz 2050. gadam.

Latvijas pilots: Automatizēta infrastruktūras uzraudzība

Latvijas demonstrācijas objekts, kas tika īstenots sadarbībā ar Rīgas pilsētas pašvaldību un vietējiem partneriem, koncentrējas uz automatizētu, zemu izmaksu infrastruktūras uzraudzību ceļu "karstajiem punktiem", tiltiem un tuneļiem. Galvenie mērķi ir savlaicīgi noteikt ceļu posmus, kas pakļauti straujai nolietošanās, un pierādīt, ka uzlaboti uzraudzības risinājumi nav pārmērīgi dārgi.

Atbilst satiksmes lomu un praktiskajiem lietojumiem

Kā tehnoloģiju partneris EvoRoads konsorcijā Fits Traffic nodrošina ar mākslīgo intelektu darbināmu satiksmes analītiku un datorredzes iespējas, kas nemanāmi integrējas Rīgas domes esošajās satiksmes vadības sistēmās.

Pilots ietver arī digitālo dvīņu tehnoloģiju kritiski svarīgiem infrastruktūras objektiem, proaktīvas brīdinājuma sistēmas uzturēšanas komandām un visaptverošu 124 drošības rādītāju sistēmu, kas aptver infrastruktūras stāvokli, satiksmes pārvaldību un neaizsargāto ceļu lietotāju aizsardzību. Regulāri koprades darbnīcas ar Rīgas domes pārstāvjiem nodrošina, ka risinājumi atbilst reālajām ekspluatācijas vajadzībām.

 

  Attēls1       Attēls3       Attēls2

Nākotnes sekas

EvoRoads ļauj iestādēm prognozēt iekārtu pārslodzi un defektus pirms to rašanās, ļaujot proaktīvi palielināt jaudu vai ieviest satiksmes vadības pasākumus, lai samazinātu strukturālo slodzi. Rīgā apstiprinātais lētās pieejas modelis nodrošina mērogojamu un atkārtojamu paraugu pašvaldībām Eiropā un ārpus tās.

 

Risinājuma piemērs: WIM projekts Latvijā

Klients

Latvijas Valsts ceļi veic valsts autoceļu tīkla pārvaldīšanu, Valsts autoceļu fonda administrēšanu un iepirkumu organizēšanu, lai sabiedrībai nodrošinātu ienesīgu, izturīgu, drošu un videi draudzīgu valsts autoceļu tīklu.

Izaicinājums

Ir vispārpieņemts uzskats, ka pārāk smagi transportlīdzekļi rada riskus ceļu infrastruktūrai un drošībai. Transportlīdzekļa kopējais svars, asu noslogojums un attālums starp asīm ir ļoti svarīgi ceļu būvēm, piemēram, tiltiem un citām, savukārt asu un riteņu grupu noslodzes ir būtiskas seguma konstrukcijām. Gandrīz trešdaļa no kopējā Latvijas galveno autoceļu satiksmes plūsmas sastāv no smagajiem kravas transportlīdzekļiem, un problēma ar pārāk smagiem transportlīdzekļiem uz valsts autoceļiem ir kļuvusi acīmredzama. Periodiski organizētās manuālās satiksmes kontroles apstiprināja, ka daudzi pārvadātāji neievēro likumus, taču problēmas apmēru bija grūti precīzi novērtēt, trūkstot automatizētai un efektīvai pieejai, lai uzraudzītu visu satiksmes plūsmu attiecībā uz pārāk smagiem transportlīdzekļiem.

Gemini radīts attēls ig6lu0ig6lu0ig6l

Risinājums

Fits Traffic izstrādā back-office risinājumu, kas integrētu WIM sensorus un ANPR kameras, lai automātiski fiksētu fotouzņēmumus par visiem pārāk svara transportlīdzekļiem (reģistrējot transportlīdzekļa kopējo svaru un asu slodzes). Risinājums nodrošināja arī informāciju par kopējo satiksmi, ļaujot klientam novērtēt pārāk svara transportlīdzekļu datus pilnas satiksmes plūsmas kontekstā. Fits.safety sistēma tiek izmantota, lai atvieglotu iepriekšēju atlasi un savāktu nepieciešamos pierādījumu datus. Pēc tam tie tiek sagatavoti iesniegšanai atbildīgajai autoceļu drošības iestādei turpmākai pārkāpumu apstrādei.

 

Papildu piemēri no visas pasaules

Prediktīvā uzturēšana jau visā pasaulē sniedz taustāmus rezultātus:
  • Singapūra: Sauszemes transporta pārvalde (LTA) izmanto mākslīgā intelekta balstītu ceļu sensoru datu un zemes caurvīto radaru analīzi, tādējādi par 40% samazinot avārijas remontu skaitu un par 15–20% pagarinot ceļa seguma kalpošanas laiku. LTA Ceļu uzturēšanas pārvaldības sistēma (RMMS) apvieno mākslīgo intelektu, video analītiku, GPS un kartēšanu, lai no inspekcijas transportlīdzekļiem skenētu ceļus, sasniedzot vairāk nekā 90% precizitāti defektu, piemēram, bedru, aligatora plīsumu un bojātu ceļa segumu, atklāšanā. Tas aizstāja manuālās pārbaudes, kurām bija nepieciešami 32 darbinieki, bet tagad to skaits ir samazināts līdz 12, un reāllaika brīdinājumi, izmantojot lietotnes, ļauj nosūtīt brigādes, lai remontdarbi tiktu veikti ātrāk.

 

Infografika par Singapūras LTA AI vadītu RMMS proaktīvai ceļu uzturēšanai

 

  • Nīderlande: Nepārtraukta tiltu veselības uzraudzība lielajām būvēm izseko spriegojumu, vibrāciju un koroziju, ļaujot apkopi ieplānot kopā ar paredzētajiem slēgšanas laikiem. Rijkswaterstaat, valsts infrastruktūras aģentūrai, ir jāsaskaras ar lielu “nomaiņas un renovācijas” vilni simtiem novecojošu tiltu, tāpēc tā iegulda nepārtrauktā uzraudzībā, lai saglabātu būvju drošību, vienlaikus izvairoties no neplānotiem slēgšanas laikiem. Daudzi Nīderlandes tilti sasniedz vai pārsniedz savu sākotnējo projektēšanas mūžu, padarot reāllaika stāvokļa datus kritiski svarīgus, lai izlemtu, kad tos stiprināt, renovēt vai nomainīt.

 

Fotoattēls Van Brienenoord tilts Roterdamā ar infografikas pārklājumiem, kas ilustrē nepārtrauktu konstrukcijas veselības uzraudzību

 

  • Londona: „Transport for London“ (TfL) izmēģina mākslīgā intelekta sistēmas, kas, izmantojot laika apstākļu un satiksmes datus, prognozē bedru veidošanos, tādējādi ļaujot veikt preventīvus ceļa seguma apstrādes pasākumus. Šī iniciatīva balstās uz SCANNER apsekojumiem — standarta Lielbritānijas ceļu stāvokļa novērtējumiem —, kas apvienoti ar TfL bedru reģistriem no 2017. līdz 2020. gadam, izmantojot mašīnmācīšanos, piemēram, Random Forest, lai prognozētu defektus, balstoties uz deviņiem galvenajiem rādītājiem, piemēram, plaisām, riepu sliedēm un virsmas tekstūras dziļumu. Šie modeļi sasniedza 55,51 TP3T precizitāti, identificējot ceļa posmus, kuros nākotnē varētu veidoties bedres, un 99,61 TP3T — posmus, kas ir droši, tādējādi palīdzot budžeta līdzekļus novirzīt profilaktiskai ceļa seguma atjaunošanai, nevis reaģējošiem remontdarbiem.

 

Fotoreālistiska Londonas nakts aina ar TfL (Transport for London) mikroautobusu un infografikas pārklājumiem, kas skaidro AI izmantoto bedrīšu prognozēšanu

 

 

Tehnoloģiju uzņēmumu un autoceļu pārvalžu loma

Veiksmīgas paredzētās apkopes programmas ir atkarīgas no ciešas sadarbības, kur katra puse sniedz būtisku pieredzi.

Tehnoloģiju uzņēmumu atbildība

Tehnoloģiju nodrošinātāji nodrošina sensoru izvietošanu, mākslīgā intelekta platformas izstrādi, sistēmu integrāciju, nepārtrauktu algoritmu uzlabošanu un tehnisko atbalstu, lai palīdzētu interpretēt atziņas un rīkoties atbilstoši tām.

Pilsētas pašvaldības atbildība

Pašvaldības sniedz vēsturiskus uzturēšanas datus, lai apmācītu mākslīgā intelekta modeļus, definētu vietējās uzturēšanas prioritātes, veiktu ieteiktos pasākumus, dokumentētu rezultātus un piešķirtu resursus gan digitālajām platformām, gan lauka operācijām.

Sadarbības ietvars

Visuzticamākās iniciatīvas balstās uz nepārtrauktu dialogu — regulārām darbības pārskatīšanām, jaunu tehnoloģiju izmēģinājuma testēšanām un vadības komitejām, kas apvieno satiksmes inženierus, uzturēšanas uzraudzītājus, IT speciālistus un tehnoloģiju partnerus.

 

Ieguvumi Ceļu Transporta Iestādēm

Pāreja uz preventīvo apkopi sniedz ievērojamus un izmērāmus ieguvumus. Kopējās infrastruktūras izmaksas var samazināt par 20–35% salīdzinājumā ar reaģējošām pieejām, turklāt, novēršot vienu vienīgu nopietnu tilta avāriju, var ietaupīt miljonus, kas citādi tiktu tērēti avārijas remontdarbiem. Problēmu agrīna atklāšana uzlabo drošību gan ceļu lietotājiem, gan apkopes darbiniekiem. Plānotie darbi ārpus satiksmes pīķa stundām samazina ceļu remontdarbu izraisītos satiksmes kavējumus pat par 40–50%. Vienlaikus uz datiem balstīta plānošana uzlabo darbaspēka efektivitāti, atbalsta ilgtermiņa mobilitātes stratēģijas un samazina ietekmi uz vidi, jo tiek novērsti kavējumi un pagarināts infrastruktūras objektu kalpošanas laiks.

Ieviešanas izaicinājumi

Neskatoties uz priekšrocībām, prognozējošā uzturēšana rada vairākus izaicinājumus. Sākotnējās investīcijas sensoru tīklos un mākslīgā intelekta platformās ir jālīdzsvaro ar ilgtermiņa ietaupījumiem. Reāllaika datu integrēšana ar esošajām sistēmām bieži prasa ievērojamus IT centienus. Organizācijām arī jāveic kultūras pārmaiņas, izmantojot apmācības un ieviešanas programmas. Kiberdrošība ir būtiska savienoto infrastruktūru aizsardzībai, un sākotnējās izvietošanas var radīt viltus pozitīvus rezultātus, līdz algoritmi tiek pilnībā kalibrēti vietējiem apstākļiem.

Secinājums

Mākslīgā intelekta vadīta prognozējošā uzturēšana iezīmē fundamentālas pārmaiņas veidā, kā pilsētas pārvalda satiksmes infrastruktūru. Pārejot no reaktīvām reakcijām uz proaktīvu, uz datiem balstītu lēmumu pieņemšanu, pašvaldības var uzlabot drošību, samazināt izmaksas, mazināt traucējumus un pagarināt kritisko aktīvu kalpošanas laiku.

EvoRoads projekts Latvijā ir piemērs tam, kā Eiropas pētniecības iniciatīvas, tehnoloģiju uzņēmumi, piemēram, Fits Traffic, un pašvaldību iestādes, piemēram, Rīgas dome, var sadarboties, lai īstenotu praktiskas inovācijas pilsētu mobilitātē. Tā kā infrastruktūra visā pasaulē turpina noveco, pilsētas, kas agrīni ievieš prognozējošu uzturēšanu, iegūs konkurences priekšrocības fiskālās ilgtspējas, iedzīvotāju apmierinātības un transporta sistēmas veiktspējas ziņā.

Fits Traffic mēs piedāvājam pilna cikla risinājumus, kas integrē sensoru tīklus, mākslīgā intelekta analītiku un prognozējošās uzturēšanas iespējas. Mūsu sadarbības pieeja nodrošina, ka tehnoloģija atbilst transporta iestāžu reālajām darbības vajadzībām, ļaujot gudrāk, drošāk un rentablāk pārvaldīt infrastruktūru.

Atsauces