Σύμμαχος η αξιοποίηση και χρήση των νέων τεχνολογιών και της τεχνητής νοημοσύνης για την ασφαλή καταγραφή των στοιχείων των οχημάτων και των οδηγών τους κατά την τέλεση παραβάσεων σε χώρους δημόσιας κυκλοφορίας.

Επίσης σημαντική θα είναι και η απλούστευση των διαδικασιών της καταγραφής και βεβαίωσης των παραβάσεων που πραγματοποιούνται στο οδικό δίκτυο, αλλά και της διαδικασίας είσπραξης των προστίμων που βεβαιώνονται με τις Πράξεις Βεβαίωσης Παράβασης (Π.Β.Π.), καθώς και της καταγραφής των λοιπών διοικητικών κυρώσεων, με απώτερο σκοπό την αποτροπή τέτοιων παραβάσεων και την τήρηση των κανόνων οδικής κυκλοφορίας.

Στις διατάξεις του σχετικού νόμου προβλέπονται:

α) η δημιουργία ενός ενιαίου ηλεκτρονικού συστήματος ψηφιακής καταγραφής και διαχείρισης βεβαιωμένων παραβάσεων, κατόπιν ελέγχων, καθώς και των προστίμων και λοιπών διοικητικών κυρώσεων που βεβαιώνονται με τις Πράξεις Βεβαίωσης Παράβασης και επιβάλλονται ανά την επικράτεια,

β) η δημιουργία δικτύου καμερών καταγραφής παραβάσεων του Κώδικα Οδικής Κυκλοφορίας (Κ.Ο.Κ., ν. 5209/2025, Α΄100) με χρήση τεχνητής νοημοσύνης,

γ) η σύσταση Οδικής Υπηρεσίας Συστημάτων Εποπτείας και Ασφάλειας, αρμόδιας για τη διαχείριση του δικτύου καμερών καταγραφής παραβάσεων του Κ.Ο.Κ. και για την οικονομική διαχείριση των προστίμων που επιβάλλονται,

δ) η σύσταση Εθνικού Παρατηρητηρίου Οδικής Ασφάλειας στη διοικητική δομή της Οδικής Υπηρεσίας Συστημάτων Εποπτείας και Ασφάλειας και

ε) η απλούστευση των διαδικασιών για τον πολίτη, όπως η ψηφιακή επίδοση της Π.Β.Π. στη θυρίδα του πολίτη στην Ενιαία Ψηφιακή Πύλη της Δημόσιας Διοίκησης «gov.gr», της δυνατότητας ηλεκτρονικής υποβολής ένστασης του πολίτη κατά της Π.Β.Π., καθώς και της δυνατότητας τηλεδιάσκεψης με τις αρμόδιες υπηρεσίες.

Συστήματα Καταγραφής Παραβάσεων του Κώδικα Οδικής Κυκλοφορίας με κάμερες και συστήματα τεχνητής νοημοσύνης.

1. Επιτρέπεται η εγκατάσταση και λειτουργία σταθερών ή φορητών συστημάτων οπτικών αισθητήρων ελέγχου (καμερών), με αποκλειστικό σκοπό την ηλεκτρονική καταγραφή παραβάσεων του Κώδικα Οδικής Κυκλοφορίας σε προεπιλεγμένα σημεία σε οδούς και σε χώρους που χρησιμοποιούνται για τη δημόσια κυκλοφορία οχημάτων στο σύνολο του οδικού δικτύου της χώρας. Για την υποστήριξη της διαδικασίας καταγραφής παραβάσεων δύνανται να τοποθετούνται, πέραν των συμβατικών/αναλογικών καμερών, και κάμερες με ενσωματωμένες λειτουργίες τεχνητής νοημοσύνης, για την ανάλυση των εικόνων, την ανίχνευση και κατηγοριοποίηση των παραβάσεων, χωρίς την ανάγκη παρεμβάσεων από τον χειριστή, παρέχοντας προηγμένες δυνατότητες οπτικής καταγραφής και ανάλυσης και διασφαλίζοντας υψηλή ακρίβεια εντοπισμού.

Τα δεδομένα που συλλέγονται στις κάμερες της παρούσας υποβάλλονται σε επεξεργασία από προηγμένους αλγορίθμους ανάλυσης εικόνας και βίντεο με σκοπό:

α) τον εντοπισμό του αριθμού κυκλοφορίας, του χρώματος και άλλων κρίσιμων στοιχείων που σχετίζονται με τη φερόμενη παράβαση, όπως η χρήση κινητού τηλεφώνου και η μη χρήση ζώνης ή προστατευτικού κράνους,

β) την αυτόματη θόλωση της εικόνας, ώστε να μην διακρίνονται στοιχεία που ταυτοποιούν, άμεσα ή έμμεσα, φυσικά πρόσωπα που δεν σχετίζονται με την καταγεγραμμένη ως πιθανή παράβαση, όπως συνεπιβάτες, πεζούς, οχήματα τρίτων ή αριθμούς κυκλοφορίας και

γ) την κατηγοριοποίηση του συμβάντος σε μία από τις παραβάσεις της παρ.3. Σε κάθε περίπτωση το υλικό που καταγράφεται από τις κάμερες υποβάλλεται σε χειριστή για τον τελικό έλεγχο εγκυρότητας πριν από τη βεβαίωση ή μη της παράβασης

2. Η καταγραφή παράβασης με το σύστημα της παρ. 1, θεωρείται ως «επ’ αυτοφώρω» καταληφθείσα, κατά την παρ. 1 του άρθρου 107 του Κ.Ο.Κ..

3. Το σύστημα έχει τη δυνατότητα να παρακολουθεί και να αξιολογεί τις εξής κατηγορίες παραβάσεων:

α) Yπέρβαση του ανώτατου ορίου ταχύτητας,
β) παραβίαση ερυθρού σηματοδότη,
γ) παράνομη στάση και στάθμευση οχήματος,
δ) χρήση κινητού εν κινήσει,
ε) μη χρήση ζώνης και μη χρήση προστατευτικού κράνους,
στ) παράνομη κυκλοφορία σε λεωφορειόδρομο,
ζ) κίνηση σε Λωρίδα Έκτακτης Ανάγκης (Λ.Ε.Α.),
η) παραποίηση πινακίδας κυκλοφορίας.

4. Η επεξεργασία των δεδομένων εικόνας και βίντεο αποσκοπεί στον εντοπισμό και την τεκμηρίωση της παράβασης, καθώς και στην επιβολή των προβλεπόμενων διοικητικών κυρώσεων.

5. Τα συστήματα οπτικών αισθητήρων ελέγχου (καμερών) δύνανται να χρησιμοποιούν συστήματα τεχνητής νοημοσύνης.

Εγκατάσταση και λειτουργία συστήματος οπτικών αισθητήρων ελέγχου

Η εγκατάσταση και λειτουργία συστημάτων καταγραφής παραβάσεων του Κώδικα Οδικής Κυκλοφορίας (Κ.Ο.Κ., ν. 5209/2025, Α΄ 100) με κάμερες επιτρέπεται μόνο στο μέτρο που είναι απαραίτητο και ο εντοπισμός και η τεκμηρίωση παραβάσεων του Κ.Ο.Κ., που επιδιώκονται με το άρθρο 17, δεν μπορούν να επιτευχθούν εξίσουαποτελεσματικά με άλλα ηπιότερα μέσα.
Η Εγκατάσταση και λειτουργία συστήματος οπτικών αισθητήρων ελέγχου μπορεί να γίνει:

1. Εγκατάσταση από τις Περιφέρειες και τους Δήμους σε σημεία του οδικού δικτύου ευθύνης τους ή σε σημεία εντός των γεωγραφικών τους ορίων.
2. Εγκατάσταση σε ισόπεδες σιδηροδρομικές διαβάσεις
3. Εγκατάσταση και λειτουργία καμερών από φορείς αστικών συγκοινωνιών

Πρόστιμα – Επίδοση Πράξης Βεβαίωσης Παράβασης μέσω του Ενιαίου Ηλεκτρονικού Συστήματος καταγραφής και διαχείρισης παραβάσεων Κ.Ο.Κ. και προστίμων

Η Π.Β.Π. επιδίδεται στον οδηγό ή ιδιοκτήτη του οχήματος ψηφιακά, μέσω του Ε.Η.Σ., με την ανάρτηση αυτής στην ηλεκτρονική θυρίδα του πολίτη και μόνο εάν για τεχνικούς λόγους αυτό δεν καταστεί εφικτό με κάθε άλλο πρόσφορο τρόπο. Ο πολίτης λαμβάνει αυτόματα ενημέρωση ότι έχει νέα έγγραφα στη θυρίδα του στο gov.gr, η σχετική δε ως άνω ειδοποίηση αποστέλλεται με αναδυόμενο μήνυμα (push notification) στην εφαρμογή «Gov.gr Wallet» του άρθρου 80 του ν. 4954/2022 (A΄136), περί ψηφιακού αποθετηρίου εγγράφων ή με γραπτό μήνυμα στο κινητό του τηλέφωνο ή με μήνυμα ηλεκτρονικού ταχυδρομείου στα στοιχεία επικοινωνίας που έχει δηλώσει στο Εθνικό Μητρώο Επικοινωνίας.

Όπως φαίνεται λοιπόν τα πράγματα γίνονται όλο και πιο δύσκολα για τους επίδοξους και ασυνείδητους παραβάτες.

Για τους OEM, αυτό δεν είναι πλέον προαιρετικό ή “ωραίο να το έχετε”. Ωστόσο, οι βιομηχανικές ικανότητες ιχνηλασιμότητας λείπουν σοβαρά σε όλες τις βιομηχανίες.

Σήμερα, το πιο διαδεδομένο πρότυπο για την ιχνηλασιμότητα είναι η «ιχνηλασιμότητα παρτίδας», η οποία εκτός από την παρακολούθηση της παρτίδας παραγωγής, του σειριακού αριθμού και της ακριβούς τοποθέτησης πλακέτας για εξαρτήματα, αποτυγχάνει να αναλύσει τα ίδια τα μεμονωμένα εξαρτήματα, θέτοντας έτσι σε κίνδυνο την ποιότητα των προϊόντων που συνθέτουν.

Τα ελαττωματικά εξαρτήματα είναι αναπόφευκτα. Για εξαρτήματα που κυκλοφορούν και έχουν κάποιο είδος ελαττώματος, το αποτέλεσμα μπορεί εύκολα να μετατραπεί σε σαρωτικές ανακλήσεις που χάνουν χρόνο, χρήμα και πόρους.
Αντίθετα, οι κατασκευαστές ηλεκτρονικών ειδών πρέπει να είναι σε θέση να διευκολύνουν τις ανακλήσεις πολύ πιο χειρουργικά. Αλλά αυτό μπορεί να επιτευχθεί μόνο μέσω διερευνητικής ιχνηλασιμότητας: νέες διαδικασίες που χρησιμοποιούν ακριβή, λεπτομερή και ακριβή οπτική αναγνώριση κάθε ηλεκτρονικού εξαρτήματος που τοποθετείται σε ένα Τυπωμένο κύκλωμα (PCBA-Printed Circuit Board + Assembly).

Οι κατασκευαστές πρωτότυπου εξοπλισμού έχουν την ευκαιρία να βελτιώσουν την ιχνηλασιμότητα με εργαλεία τεχνητής νοημοσύνης και μεγάλα δεδομένα, κλείνοντας τα κενά πληροφοριών που μαστίζουν τα τεχνολογικά προϊόντα σε όλη την αλυσίδα εφοδιασμού.

Πού είναι το λάθος;

Επειδή οκτώ στις 10 αστοχίες αποδίδονται σε ελαττωματικά εξαρτήματα και όχι σε ελαττωματική κατασκευή, οι περισσότεροι κατασκευαστές θεωρούν την ιχνηλασιμότητα ως απαραίτητη. Εξάλλου, τους επιτρέπει να δραστηριοποιούνται σε αγορές που απαιτούν λεπτομερή διαδρομή για κάθε εξάρτημα σε κάθε όχημα. Εξετάστε τα στρατιωτικά αμυντικά συστήματα, το λογισμικό αυτοκινήτου και τις ιατρικές τεχνολογίες, όπου οι συνέπειες μιας δυσλειτουργίας μπορεί να είναι τρομερές.

Δυστυχώς, οι διακοπές της εφοδιαστικής αλυσίδας, ειδικά στον απόηχο της πανδημίας, θόλωσαν τα νερά. Ο μέσος χρόνος παράδοσης παραγωγής αυξήθηκε από τρεισήμισι μήνες σε σχεδόν ένα χρόνο, αναγκάζοντας τους OEM να παρακάμψουν τους τυπικούς προμηθευτές τους και να προμηθεύονται εξαρτήματα από εναλλακτικούς προμηθευτές, συχνά με ακατάλληλα πρότυπα αποθήκευσης και υλικά κατώτερης ποιότητας, καθώς και μικτές παρτίδες και διφορούμενες πληροφορίες ιχνηλασιμότητας.

Αν και οι αρνητικές επιπτώσεις της επιβράδυνσης της εφοδιαστικής αλυσίδας στα ηλεκτρονικά εξαρτήματα έχουν μειωθεί, η υπόθεση ότι υπάρχουν μηδενικά ελαττώματα σε χιλιάδες χιλιάδες εξαρτήματα θα ήταν λάθος σκέψη. Δεδομένου ότι εξακολουθούν να υπάρχουν ελαττωματικά και πλαστά εξαρτήματα, οι κατασκευαστές θα πρέπει να αυξήσουν τα πρότυπα ιχνηλασιμότητας για να ενισχύσουν την ποιότητα, την αποδοτικότητα της παραγωγής και τη χρηματοοικονομική σαφήνεια, τα οποία συμβάλλουν στην ενίσχυση της απόδοσης.

Η χρήση της τεχνητής νοημοσύνης για να γίνει αυτό προσφέρει τοη λύση της ελάχιστης αντίστασης.

Η ρίζα του προβλήματος

Πολλοί ηγέτες του κλάδου εκτιμούν την ικανότητα της τεχνητής νοημοσύνης να βελτιώνει διάφορες φάσεις της παραγωγικής διαδικασίας, αλλά συχνά χάνουν τον πιθανό αντίκτυπό της στις δυνατότητες ιχνηλασιμότητας μεμονωμένων στοιχείων.
Επί του παρόντος, υπάρχουν πολλά επίπεδα ιχνηλασιμότητας σε διάφορους κλάδους.

Στο πρώτο επίπεδο, η παρακολούθηση των σχετικών εξαρτημάτων εξοπλισμού στην αλυσίδα αξίας της κατασκευής διεξάγεται με ασυνέπεια. Τα επόμενα δύο επίπεδα περιλαμβάνουν τη χρήση σειριακών αριθμών για την αντιστοίχιση των PCB στη σχετική παρτίδα τους. Το τέταρτο και υψηλότερο επίπεδο παρακολουθεί την πραγματική τοποθέτηση των εξαρτημάτων σε PCB. Ωστόσο, αυτό το μέγιστο επίπεδο ιχνηλασιμότητας εσφαλμένα προϋποθέτει ότι όλα τα εξαρτήματα σε ένα καρούλι είναι ακριβώς τα ίδια και εκεί βρίσκεται η ρίζα του προβλήματος.

Αλλαγή πίστας επίπεδου

Αν και το Επίπεδο 4 αντικατοπτρίζει τα υψηλότερα πρότυπα του κλάδου, πολλές εταιρείες δεν έχουν ακόμη αναβαθμίσει την ιχνηλασιμότητα πέρα από το πρώτο και το δεύτερο επίπεδο. Αυτό οδηγεί σε ενοχλητικά κενά στην ορατότητά τους. Επιπλέον, οι τρέχουσες εργαστηριακές διεργασίες δοκιμών είναι θλιβερά αναποτελεσματικές στον εντοπισμό παραβιασμένου υλικού, καθώς βασίζονται αποκλειστικά στη δειγματοληψία ενός μικρού όγκου εξαρτημάτων από χιλιάδες.

Οι OEM θα πρέπει να προσπαθήσουν να επεκτείνουν τα πρότυπα ιχνηλασιμότητας πέρα από το Επίπεδο 4 για να επιτύχουν πλήρη διερευνητική ιχνηλασιμότητα. Η οπτική τεχνολογία με τεχνητή νοημοσύνη μπορεί να επιτρέψει αυτό το αυξημένο επίπεδο ιχνηλασιμότητας, προσφέροντας μια πολύ πιο αποτελεσματική και οικονομικά αποδοτική λύση από τις παρτίδες εργαστηριακών δοκιμών εξαρτημάτων. Ανεξάρτητα από το πού προέρχονται τα εξαρτήματα, η οπτική αναγνώριση που υποστηρίζεται από AI μπορεί να αναλύσει γρήγορα κάθε εξάρτημα σε κάθε πλακέτα ως προς την αυθεντικότητα και την ακεραιότητα του στοιχείου χωρίς να ανησυχεί για ανθρώπινο λάθος. Όταν εφαρμοστεί, οι κατασκευαστές μπορούν να εντοπίσουν οποιοδήποτε προβληματικό εξάρτημα και να πραγματοποιήσουν γρήγορες χειρουργικές ανακλήσεις σε ατομική βάση με ελάχιστη διακοπή στη διαδικασία κατασκευής.

Ακριβώς όπως οι γιατροί χορηγούν εξετάσεις αίματος για να αξιολογήσουν την υγεία ενός ασθενούς, οι OEM πρέπει να ακολουθούν την ίδια προσέγγιση σε κάθε ηλεκτρονικό εξάρτημα. Ευτυχώς, η τεχνητή νοημοσύνη μπορεί να μετατρέψει αυτήν την κατά τα άλλα Σισυφαία εργασία σε μια πολύ πιο αποτελεσματική και διαχειρίσιμη.

Δεν απαιτείται επιπλέον Hardware

Η μεταποιητική βιομηχανία πρέπει να αγκαλιάσει τα εργαλεία τεχνητής νοημοσύνης εάν πραγματικά επιθυμεί να πρωτοπορήσει στην αεροστεγή ιχνηλασιμότητα 4Α προς ένα πιο έξυπνο, αποδοτικό και οικονομικό μέλλον. Το μόνο που χρειάζεται είναι μια ενσωμάτωση SaaS με το υπάρχον Hardware SMT για να αποκτήσουν αληθινή ορατότητα για το τι συμβαίνει στα προϊόντα τους.

Πηγή: iconnect007

• Εκτίμηση χωρητικότητας τρέιλερ: υπολογισμός ελεύθερου χώρου φόρτωσης χρησιμοποιώντας εικόνες smartphone και αλγόριθμους στο cloud
• Η ψηφιακή λύση επιτρέπει όχι μόνο υψηλότερη χρήση και παραγωγικότητα, αλλά και ενεργή συμβολή σε περισσότερη βιωσιμότητα

Στη φετινή IAA TRANSPORTATION, η Continental παρουσίασε μεταξύ άλλων μια λύση βασισμένη στην τεχνητή νοημοσύνη για τον υπολογισμό του διαθέσιμου χώρου φορτίου σε φορτηγά, ημιρυμουλκούμενα και ρυμουλκούμενα.

Ο προσδιορισμός του χώρου αποσκευών έγινε εύκολος: χρησιμοποιώντας ένα τυπικό smartphone, ο οδηγός τραβάει μια φωτογραφία του χώρου φόρτωσης και τη στέλνει στο Continental Cloud.

Η λύση αυτή, παρέχει στους διαχειριστές στόλου μέσω smartphone ακριβείς ψηφιακές πληροφορίες σχετικά με το πόσο φορτίο μπορεί ακόμα να φορτωθεί. Σε συνδυασμό με τα αντίστοιχα δεδομένα βάρους από τον ευφυή ταχογράφο ή τη διεπαφή συστήματος διαχείρισης στόλου, η αποστολή μπορεί να βελτιστοποιηθεί – για παράδειγμα, προσφέροντας δωρεάν χωρητικότητα στα ψηφιακά ανταλλακτήρια εμπορευμάτων, έτσι ώστε περισσότερες διαδρομές να εκτελούνται με πλήρη χωρητικότητα.

«Η βιομηχανία logistics αντιμετωπίζει σήμερα μεγάλες προκλήσεις. Όλο και περισσότερα εμπορεύματα πρέπει να μεταφέρονται με όλο και λιγότερους οδηγούς», λέει ο Δρ. Ismail Dagli, Επικεφαλής του επιχειρηματικού τομέα Smart Mobility στην Continental. «Η λύση μας δεν υποστηρίζει μόνο τους διαχειριστές στόλου στη βέλτιστη χρήση των μεταφορικών ικανοτήτων τους για να κάνουν τους στόλους τους πιο αποτελεσματικούς. Επίσης, εξοικονομεί καύσιμα και μειώνει τις εκπομπές άνθρακα, συμβάλλοντας ενεργά στη μεγαλύτερη βιωσιμότητα των logistics».

Η αποτελεσματικότητα του στόλου είναι μια μεγάλη πρόκληση

Τα ταξίδια στα οποία ο χώρος φορτίου δεν χρησιμοποιείται πλήρως ή ακόμη και τα ταξίδια που εκφορτώνονται εντελώς δεν είναι ασυνήθιστα στον κόσμο των εμπορευματικών μεταφορών. Σύμφωνα με επίσημες στατιστικές εμπορευματικών μεταφορών που συλλέγονται ετησίως από τη Γερμανική Ομοσπονδιακή Αρχή Μηχανοκίνητων Μεταφορών, εμπορικά οχήματα άνω των 3,5 τόνων πραγματοποίησαν περισσότερα από 150 εκατομμύρια άδεια ταξίδια στη Γερμανία το 2020 – και ο αριθμός αυτός δεν περιλαμβάνει καν υποχρησιμοποιημένα φορτία. Οι διαχειριστές στόλου μπορούν να αντιμετωπίσουν αυτά τα ταξίδια αναζητώντας ενεργά πρόσθετες παραγγελίες φορτίου για τη βελτίωση της χρήσης των οχημάτων. Για να γίνει αυτό, ωστόσο, χρειάζονται τα σχετικά δεδομένα που υποδεικνύουν την τρέχουσα θέση του οχήματος, το φορτωμένο βάρος και τον χώρο φόρτωσης που είναι ακόμα διαθέσιμος, ο τελευταίος από τους οποίους παρέχεται από τη νέα λύση σε πραγματικό χρόνο.

Γρήγορα και εύκολα: Υπολογίστε τον ελεύθερο χώρο φόρτωσης σε δευτερόλεπτα

Οι οδηγοί, οι πράκτορες ράμπας και οι διαχειριστές στόλου μπορούν να χρησιμοποιήσουν τη λύση εύκολα: Αφού ασφαλίσει το φορτίο, ο οδηγός φωτογραφίζει το χώρο φόρτωσης με ένα τυπικό smartphone. Στη συνέχεια, η φωτογραφία μεταφορτώνεται στο Continental Cloud, όπου λαμβάνει χώρα η πραγματική «σκέψη» – με άλλα λόγια, ο υπολογισμός του διαθέσιμου χώρου φορτίου από τον αλγόριθμο AI που αναπτύχθηκε από την Continental. Ο οδηγός μπορεί επίσης να χρησιμοποιήσει το smartphone του για να επεξεργαστεί τις πληροφορίες με μη αυτόματο τρόπο ή να προσθέσει πρόσθετες πληροφορίες προτού τις ανεβάσει στο Secure Cloud. Μετά από αυτό, τα δεδομένα μπορούν να προωθηθούν στο λογισμικό αποστολής. Παρέχεται καλή συνδεσιμότητα, αυτή η διαδικασία διαρκεί μόνο λίγα δευτερόλεπτα. Ο διαχειριστής στόλου μπορεί στη συνέχεια να συντονίσει βέλτιστα πρόσθετα φορτία χρησιμοποιώντας τα δεδομένα για το διαθέσιμο βάρος φόρτωσης, τα οποία, για παράδειγμα, λαμβάνει από τον έξυπνο ταχογράφο μέσω του συνδέσμου VDO ή μέσω κλασικού λογισμικού τηλεματικής από τη διεπαφή FMS.

Οι πληροφορίες μπορούν ακόμα να υποβληθούν σε επεξεργασία με μη αυτόματο τρόπο πριν από τη μεταφόρτωσή τους στο Continental Cloud.

«Αυτό σημαίνει ότι ο αποστολέας έχει τώρα ακριβή και αξιόπιστα δεδομένα φόρτωσης στο σύστημά του – δεδομένα που δεν βασίζονται απλώς σε μια εκτίμηση. Η χωρητικότητα φόρτωσης μπορεί στη συνέχεια να προσφερθεί στις εμπορευματικές αγορές ή να διανεμηθεί εσωτερικά, ειδικά στην περίπτωση μεγαλύτερων στόλων», λέει ο Jörg Lützner, ο οποίος είναι επικεφαλής της Smart Mobility Innovation Management της Continental και υπεύθυνος για την ανάπτυξη της αξιολόγησης χωρητικότητας ρυμουλκούμενων. «Τεχνολογικά, η τεχνητή νοημοσύνη που χρησιμοποιούμε βασίζεται στα χρόνια εμπειρίας που έχουμε αποκτήσει σε πολλά έργα υποστήριξης οδηγού και αυτόνομης οδήγησης».

Το πρωτότυπο έχει ήδη δώσει εξαιρετικά αποτελέσματα κατά τη φάση ανάπτυξης περίπου δύο ετών και η ομάδα ανυπομονεί τώρα να λάβει ακόμη περισσότερα δεδομένα από την πραγματική ζωή: «Αυτό είναι το πλεονέκτημα της δυνατότητας χρήσης τεχνητής νοημοσύνης», λέει ο Jörg Lützner. «Μαθαίνει κάθε φορά που την χρησιμοποιούμε, οπότε γίνεται πάντα καλύτερη».
 
Στο Secure Cloud, ο αλγόριθμος που αναπτύχθηκε από την Continental υπολογίζει τον διαθέσιμο χώρο και τον μεταδίδει στο λογισμικό αποστολής.

Πηγή: Continental Trade Fair Highlight: Optimized Load Space Detection with AI-based Solution – Continental AG

H Tesla αναπτύσσει αυτονομία για οχήματα, ρομπότ και πολλά άλλα προϊόντα υψηλής τεχνολογίας. Πιστεύει ότι μια προσέγγιση βασισμένη σε προηγμένη τεχνητή νοημοσύνη (AI) για το όραμα και τον μελλοντικό σχεδιασμό, υποστηριζόμενη από την αποτελεσματική χρήση υλικού με κριτική ικανότητα είναι ο μόνος τρόπος για την επίτευξη μιας γενικής λύσης για την πλήρη αυτόνομη οδήγηση και άλλα. Η τεχνολογία είναι ανοικτή σε κάθε ενδιαφερόμενο, startup ή αυτοκινητοβιομηχανία ή και εταιρείες προγραμματισμού.

• Chip FSD
• Chip Dojo
• Συστήματα Dojo
• Νευρωνικά δίκτυα
• Αλγόριθμοι αυτονομίας
• Θεμέλια του κώδικα
• Υποδομή αξιολόγησης
• Tesla Bot

Διαβάστε περισσότερα στο ανανεωμένο futuremobility.gr

Στην ανάπτυξη παραδοσιακών κινητήρων εσωτερικής καύσης, για παράδειγμα, η τεχνητή νοημοσύνη χρησιμοποιείται για την επίλυση του προβλήματος της πρόβλεψης της περιεκτικότητας σε αέριο στο λάδι του κινητήρα. Δεδομένου ότι η υψηλή περιεκτικότητα σε αέριο οδηγεί σε αφρισμό λαδιού και συνεπώς σε μειωμένη λιπαντικότητα, το σύστημα λαδιού πρέπει να είναι σχεδιασμένο για τη χαμηλότερη δυνατή περιεκτικότητα σε αέριο. Ωστόσο, δύσκολα μπορούν να πραγματοποιηθούν μετρήσεις στο όχημα με τον κινητήρα σε λειτουργία. Η Porsche με τη χρήση μιας νέας διαδικασίας τεχνητής νοημοσύνης είναι σε θέση να παρέχει αξιόπιστες προβλέψεις για την περιεκτικότητα σε αέριο στο λάδι του κινητήρα.

Ο μηχανικός ανάπτυξης Hong Truc Jung, ο οποίος είναι υπεύθυνος για τα εργαλεία AI στο σύστημα μετάδοσης κίνησης στο Porsche, λέει πως στη διαδικασία αυτή, καταφέρνουν να διατηρήσουν την υπολογιστική ικανότητα που απαιτείται για τον αλγόριθμο τεχνητής νοημοσύνης τόσο χαμηλή ώστε να μπορούν εύκολα να την ενσωματώσουν στη διαδικασία ανάπτυξης του κινητήρα. Κατά τη διάρκεια των τυπικών δοκιμών σε πάγκο, εκτελείται συνεχώς και παρέχει τα επιθυμητά δεδομένα στη διαδικασία. Ο πρώτος κινητήρας για τον οποίο η Porsche εφάρμοσε τη νέα διαδικασία AI ήταν ο εξακύλινδρος κινητήρας boxer για την Porsche Cayman GT4.

Μια άλλη εφαρμογή τεχνητής νοημοσύνης από τη θυγατρική Porsche Engineering χρησιμοποιείται για τον προσδιορισμό της συμπεριφοράς γήρανσης των μπαταριών ιόντων λιθίου. Ο αλγόριθμος AI χρησιμοποιεί την εσωτερική αντίσταση της μπαταρίας για να συμπεράνει τη γήρανση της. Μεταξύ άλλων, λαμβάνει υπόψη επιρροές όπως η θερμοκρασία και η κατάσταση φόρτισης, καθώς και τα αποτελέσματα μακροχρόνιων δοκιμών και δοκιμών στόλου. Στο όχημα, η AI προσαρμόζεται στο προφίλ χρήστη του οδηγού, έτσι ώστε η πρόβλεψη να γίνεται όλο και πιο ακριβής.

Προφανώς, η Porsche Engineering έχει αναπτύξει μια ιδιαίτερα ευέλικτη μεθοδολογία ανάπτυξης με υψηλές δυνατότητες για μια ευρεία ποικιλία περιπτώσεων χρήσης που βασίζεται στη μάθηση βαθιάς ενίσχυσης της μεθόδου AI. Η μεθοδολογία PERL, συντομογραφία του Porsche Engineering Reinforcement Learning, υπερβαίνει τη συγκεκριμένη λύση μεμονωμένων εργασιών, επειδή κατανοεί τις συστημικές σχέσεις και μαθαίνει να λαμβάνει στρατηγικές αποφάσεις, συμφωνα με τον Matthias Bach, ανώτερο διευθυντή εφαρμογής κινητήρων και μηχανικών στην Porsche Engineering.

Πηγή: www.enginetechnologyinternational.com