Sistem pengangkutan kini sedang mengalami satu transformasi besar yang didorong oleh kemunculan kecerdasan buatan (AI) dan pendigitalan. Secara tradisional, kejuruteraan pengangkutan banyak bergantung kepada model berketentuan dan piawaian reka bentuk yang statik.

Umumnya, pendekatan ini telah membolehkan pembangunan rangkaian jalan raya, rel dan pengangkutan awam yang meluas di seluruh dunia. Namun ianya kini semakin tidak mencukupi untuk menangani cabaran semasa seperti kesesakan lalu lintas, keselamatan jalan raya, perubahan iklim, perubahan tingkah laku perjalanan yang pantas serta kemunculan teknologi mobiliti baharu.

AI dan pendigitalan menawarkan anjakan paradigma yang ketara, daripada sistem yang bersifat reaktif dan berasaskan peraturan kepada sistem pengangkutan yang bersifat ramalan, adaptif dan berasaskan data. Pendigitalan dalam pengangkutan merujuk kepada integrasi teknologi penderiaan, platform data, sistem keterhubungan dan alat pengkomputeran bagi menterjemahkan proses fizikal kepada bentuk digital.

AI pula membolehkan sistem ini belajar daripada data berskala besar, mengenal pasti corak tersembunyi dan menyokong proses membuat keputusan secara automatik atau separa automatik. Gabungan kedua-dua elemen ini sedang mentakrif semula cara sistem pengangkutan dirancang, dikendalikan, disenggara dan ditadbir.

Artike ini akan membincangkan dimensi utama AI dan pendigitalan dalam bidang kejuruteraan pengangkutan, disokong oleh contoh aplikasi dan kajian kes antarabangsa, dengan penekanan kepada pengurusan trafik, keselamatan jalan raya, pengurusan aset infrastruktur, pengangkutan awam, sistem autonomi serta isu tadbir urus dan etika.

Sistem Pengangkutan Pintar

Pendigitalan merupakan teras asas kepada pembangunan sistem pengangkutan pintar yang berteraskan AI. Pada asasnya, pendigitalan melibatkan penukaran proses fizikal dalam sistem pengangkutan seperti aliran trafik, keadaan infrastruktur dan pergerakan kenderaan kepada aliran data digital.

Proses ini dicapai melalui penggunaan pelbagai sensor termasuk pengesan gelung, radar, LiDAR, kamera, GPS dan peranti Internet Benda (IoT) yang dipasang pada kenderaan serta infrastruktur.

Sistem Pengangkutan Pintar (ITS) moden bergantung kepada pengumpulan data secara berterusan untuk memahami keadaan rangkaian lalu lintas secara masa nyata. Lampu isyarat trafik, sistem tol, armada pengangkutan awam dan juga struktur turapan jalan kini semakin berupaya menjana data berfrekuensi tinggi.

Apabila data ini disepadukan dalam platform pusat atau berasaskan awan, ia membolehkan pihak berkuasa mewujudkan gambaran digital sistem fizikal, yang sering dirujuk sebagai “kembar digital” (digital twin).

Sebagai contoh, sistem pengurusan trafik bersepadu di London menggabungkan data masa nyata daripada bas, isyarat trafik, kamera litar tertutup dan armada berasaskan GPS ke dalam satu pusat kawalan.

Pendigitalan sebegini membolehkan pemantauan sistem secara menyeluruh terhadap kesesakan, insiden dan gangguan perkhidmatan, sekali gus menyediakan asas data yang kukuh untuk aplikasi AI.

Tanpa pendigitalan, AI tidak dapat berfungsi secara berkesan. Algoritma AI memerlukan jumlah data yang besar, sama ada berstruktur atau tidak berstruktur, untuk proses pembelajaran dan ramalan.

Oleh itu, pendigitalan wajar dilihat bukan sebagai pilihan tambahan, tetapi sebagai prasyarat utama kepada kejuruteraan pengangkutan pintar.

Pemodelan Aliran Trafik dan Pengurusan Kesesakan

Salah satu aplikasi AI yang paling matang dalam kejuruteraan pengangkutan ialah pemodelan aliran trafik dan pengurusan kesesakan. Model trafik konvensional, seperti model makroskopik dan model peruntukan trafik statik, lazimnya bergantung kepada andaian tingkah laku pemandu yang dipermudahkan serta keadaan keseimbangan.

Walaupun berguna untuk tujuan perancangan, model ini sering gagal menangkap dinamika trafik yang kompleks dan tidak linear dalam situasi sebenar.

Teknik AI, khususnya pembelajaran mesin dan pembelajaran mendalam, sangat berkesan dalam mengenal pasti hubungan kompleks antara pemboleh ubah seperti isipadu trafik, kelajuan, cuaca, insiden dan masa isyarat.

Rangkaian neural, pembelajaran pengukuhan dan model berasaskan graf semakin meluas digunakan untuk meramalkan kesesakan dan mengoptimumkan kawalan trafik.

Kajian kes yang sering dirujuk ialah penggunaan algoritma AI untuk pengoptimuman lampu isyarat secara dinamik, di mana sistem pembelajaran pengukuhan melaras masa hijau berdasarkan permintaan trafik sebenar.

Ujian lapangan menunjukkan pengurangan pergerakan berhenti-mula, penjimatan bahan api dan peningkatan kelancaran aliran trafik, sekaligus membuktikan kelebihan AI berbanding kawalan berasaskan masa tetap atau separa-aktuated.

Di bandar-bandar maju seperti Singapura, sistem ramalan trafik berasaskan AI menggabungkan data kenderaan probe dan data sejarah untuk mengurus kesesakan secara proaktif.

Pendekatan ini membolehkan pihak berkuasa mengenal pasti potensi kesesakan lebih awal dan mengambil tindakan seperti pengurusan laluan, penyampaian maklumat masa nyata atau penyelarasan isyarat trafik.

Keselamatan Jalan Raya

Keselamatan jalan raya merupakan satu lagi bidang utama yang telah mendapat manfaat ketara daripada AI. Pendekatan keselamatan tradisional kebanyakannya bergantung kepada data kemalangan lepas dan model statistik regresi, yang sering terhad oleh isu kelewatan masa dan laporan tidak lengkap. AI membolehkan peralihan kepada pengurusan keselamatan yang bersifat proaktif.

Melalui teknik penglihatan komputer dan pembelajaran mendalam, sistem berasaskan kamera kini berupaya mengesan tingkah laku berisiko seperti pemanduan laju, pelanggaran lampu isyarat, pertukaran lorong berbahaya dan gangguan tumpuan pemandu secara masa nyata.

Analisis kejadian hampir berlaku (near-miss) juga boleh dijalankan, menyediakan maklumat keselamatan yang lebih kaya berbanding data kemalangan semata-mata.

Di Australia, pendekatan keselamatan berasaskan AI digunakan untuk menyokong inisiatif Vision Zero. Melalui analisis berjuta-juta trajektori kenderaan di persimpangan berisiko tinggi, pihak berkuasa dapat mengenal pasti titik konflik utama dan merancang intervensi yang lebih berkesan.

Pendekatan ini menandakan peralihan penting daripada pengurusan keselamatan reaktif kepada pencegahan berasaskan ramalan.

Pengurusan Aset Infrastruktur

Infrastruktur pengangkutan seperti jalan raya, jambatan dan terowong merupakan aset awam bernilai tinggi. Secara tradisional, pengurusan aset bergantung kepada pemeriksaan berkala dan penilaian visual.

Pendigitalan telah mengubah pendekatan ini dengan membolehkan pemantauan berterusan melalui penggunaan sensor, dron dan teknologi pemetaan mudah alih.

AI seterusnya meningkatkan kecekapan dengan mengautomasikan pengesanan kecacatan serta meramalkan kadar kemerosotan struktur. Sebagai contoh, algoritma pembelajaran mendalam boleh menganalisis imej resolusi tinggi untuk mengesan rekahan turapan atau kecacatan jambatan dengan ketepatan tinggi.

Di Jepun, sistem pemantauan jambatan berasaskan AI digunakan bagi menangani cabaran infrastruktur yang semakin menua. Data getaran, regangan dan persekitaran dianalisis untuk mengesan tanda-tanda awal kemerosotan struktur, membolehkan penyelenggaraan dijalankan secara lebih awal dan kos efektif.