EU-finansieret forskning under Horizon 2020-programmet har resulteret i en central rapport om anvendelsen af kunstig intelligens i jernbanesektoren. Rapporten, der udgør Deliverable D2.2 fra projektet RAILS (Roadmaps for AI Integration in the Rail Sector), blev indsendt den 30. juni 2022 og er udarbejdet under tilskudsaftale nr. 881782 med Shift2Rail Joint Undertaking — nu efterfulgt af Europe's Rail Joint Undertaking (EU-Rail), etableret ved Rådets forordning (EU) 2021/2085.
Rapporten beskriver to konkrete pilotcasestudier inden for autonom og kooperativ togdrift og lægger fundamentet for fremtidige teknologikøreplaner for AI i europæiske jernbaner.
Baggrund og projektramme
RAILS-projektet startede den 1. december 2019 og løber over 36 måneder. Det er forankret i Shift2Rails Innovation Programme IPX og bidrager til disruptiv innovation og eksplorativ forskning inden for kunstig intelligens. Projektets arbejdspakke WP2 undersøger læringsteknikker og AI-metoder til at styrke jernbanesikkerhed og automatisering.
Hovedforfatteren er Stefania Santini (CINI) med bidrag fra Lorenzo De Donato, Valeria Vittorini (begge CINI), Francesco Flammini (LNU) og intern review af Rob Goverde (TU Delft). Advisory Board-review er udført af Milan Banić (University of Niš) og Stefano Delucchi (Aitek S.p.A.).
Rapporten bygger videre på resultaterne fra Deliverable D2.1 og introducerer to specifikke proof-of-concept-undersøgelser, der skal danne grundlag for kvalitative og teknologiske vejkort.
Casestudie 1: Hindringsdetektion og kollisionsundgåelse
Jernbanemiljøet adskiller sig markant fra bil- og luftfartssektoren, når det kommer til kollisionsundgåelse. Et tog har kun én mulig handling: at bremse. Ved blot 70–80 km/t kræves hundredvis af meter — eller endda kilometer — for at bringe et tog til standsning, hvilket stiller helt særlige krav til rækkevidden af et AI-baseret detektionssystem.
Rapporten definerer tre centrale KPI'er for AI-baserede hindringsdetektion:
| KPI | Beskrivelse | Måleenhed |
|---|---|---|
| KPI1 | Detektionsafstand | Meter |
| KPI2 | Hindringsdækning (kendte og ukendte objekter) | Antal objektklasser |
| KPI3 | Beregningstid | Millisekunder |
Den foreslåede metodik bygger på en semiparallel arkitektur med fire moduler:
- Rails Detection (RD) — identifikation af sporet og region of interest
- Object Detection (OD) — genkendelse og klassificering af kendte objekter via fx YOLO eller R-CNN
- Anomaly Detection (AD) — detektion af ukendte anomalier via autoencoders og billedrekonstruktion
- Distance Estimation (DE) — estimering af afstand til identificerede hindringer
Nøgleindsigten er, at AD-modulet fungerer som redundant backup for OD-modulet: det kan bekræfte OD's output, agere reservesystem ved fejl og — afgørende — opdage hindringer, som OD-modulet aldrig er trænet til at genkende. Rapportens analyse viser, at der er begrænset forskning inden for billedbaseret anomalidetektion i jernbaner, og dette identificeres som et prioriteret udviklingsområde.
Til datasæt anbefales bl.a. RailSem19 med semantiske annotationer, mens simulatorer og videospil som Grand Theft Auto V foreslås til generering af scenarier med hindringer under kontrollerede vilkår.
Casestudie 2: Kooperativ kørsel med virtuelt koblede tog
Virtuel kobling (Virtual Coupling, VC) repræsenterer et paradigmeskift i jernbanedrift: i stedet for absolutte bremseafstande opererer tog med relative bremseafstande, kommunikerer via Train-to-Train (T2T)-forbindelser og kører i konvoj med reducerede afstande. Teknologien kan markant øge kapaciteten på eksisterende strækninger uden ny infrastruktur.
Konceptet er organiseret i fire funktionelle lag:
- Servicelag — integreret i Mobility-as-a-Service-platforme
- Strategisk lag — definerer platooner og sammensætning
- Taktisk lag — koordinerer bevægelser og håndterer uventede hændelser
- Operationelt lag — lokal styring på hvert enkelt tog
Den taktiske lag er omdrejningspunktet for VC-kontrolstrategien og dermed afgørende for linjekapaciteten.
I jernbanemiljøet påvirkes VC's effektivitet af en lang række usikkerheder: kommunikationsforsinkelser, heterogene togtyper med forskellig bremseevne, sporfriktion, vejrforhold og positioneringsfejl. Rapporten konkluderer, at Deep Reinforcement Learning (DRL) baseret på Deep Deterministic Policy Gradient (DDPG) er den mest lovende tilgang — da algoritmen lærer at reagere på ukendte omgivelser uden forudgående modelviden.
Table 5.1: KPI'er til evaluering af VCTS-paradigmet
| KPI | Beskrivelse |
|---|---|
| KPI1 | Tidsgab mellem to tog |
| KPI2 | Tid til kollision ved uændrede hastigheder |
| KPI3 | Rejsetid for givet mission |
| KPI4 | Sporingsfejl i forhold til reference |
| KPI5 | Energiforbrug |
Til træning af DDPG-algoritmen er eksisterende simulatorer som SUMO og Anylogic utilstrækkelige, da de ikke understøtter VCTS-paradigmet. Rapporten konkluderer, at en dedikeret simulator er nødvendig. 5G-teknologi vurderes at kunne opfylde de krævede T2T-kommunikationsspecifikationer.
Certificering og tillid som central udfordring
Rapporten peger på certificering af AI-systemer som den mest afgørende åbne problemstilling inden for autonom togdrift. Den sorte boks-natur og instabiliteten i mange AI-tilgange vanskeliggør certificering mod internationale standarder. Explainable AI (XAI) fremhæves som en central enabler for at øge gennemsigtighed og tillid — men XAI-løsningerne skal selv være pålidelige og certificerede.
Rapporten refererer til EASA's AI-køreplan for luftfart og EASA's concept paper om Level 1 ML-applikationer som relevante paralleller for jernbanesektoren.
Næste skridt
Implementerings- og eksperimenteringsaktiviteter er igangsat på basis af de beskrevne metoder. Resultater heraf vil indgå i det kommende Deliverable D2.3 — "Report on experimentation, analysis and discussion of results". RAILS-projektets samlede ambition er at levere kvalitative og teknologiske vejkort, der kan bane vej for en bred implementering af AI i europæiske jernbaner.
