استفاده از هوش مصنوعی و حسگرها برای ارزیابی پیاده‌روها در مقیاس شهری
Yuxiang Zhang, Suresh Devalapalli, Sachin Mehta, and Anat Caspi )2023), OASIS: Automated Assessment of Urban Pedestrian Paths at Scale, arXiv /CoRR
ارزیابی پیاده‌روها در مقیاس شهری عنوان مقاله ای است که در سال 2023 توسط یوکسیانگ ژانگ و همکاران درکنفرانس TRB Annual Meeting (2024) ارایه شده و پیش چاپ در arXiv / CoRR انتشار یافته است. این مقاله با استفاده از روش سیستم باز اتوماتیک ارزیابی پیاده‌روها (OASIS)[1] که یک سیستم نوآورانه و عملی برای ارزیابی خودکار مسیرهای پیاده‌روی در مقیاس شهری است را معرفی می کند. در این ارزیابی حق عبور عمومی ( دستری پذیری ) از جمله رفع موانع فضاهای ساخته شده برای پیاده‌روی، قابلیت حرکت روان صندلی چرخدار، ایمنی، حمل و نقل فعال و پایداری این فضاها را مورد برسی قرار می دهد. پایلوت این سیستم اولین بار در شمال سیاتل آمریکا اجرا شده است.
OASIS یک سیستم متن‌باز(Open Source) و خودکار(Automated) برای نقشه‌برداری از مسیرهای عابر پیاده شهری با استفاده از شبکه‌های عصبی (Neural Networks) ، سنسورهای تصویری (Image Sensing ) و روش‌های مبتنی بر موقعیت مکانی (GPS) برای داده های جمع آوری شده است تا موانع پیاده‌روی را شناسایی کند. این سیستم که برای ادغام با گردش‌های کاری موجود با هدف ارائه داده‌های مقیاس‌پذیری (Scalable Data) [2] برای مسیریابی، تجزیه و تحلیل و گزارش‌های عملیاتی برای پرداختن به چالش‌های ارزیابی دستی و پرهزینه مسیرهای عابر پیاده طراحی شده اند.
هدف از بکارگیری سیستم ارزیابی خودکار پیاده روها (OASIS) که زمان جمع آوری و بررسی میدانی را به طور شگفت انگیزی در محیط داده های ابری (Cloud) کاهش می دهد، این است که مسیرهای پیاده‌روهای شهری را با استفاده از دستگاه‌های سیار خودکار(Edge Devices) اسکن، نقشه‌برداری و ارزیابی کند. خروجی نهایی این سیستم یک لایه سیستم اطلاعات مکانی(GIS) برای شبکه پیاده‌روها است که می‌تواند برای مسیریابی، تحلیل شهری و گزارشدهی عملیاتی استفاده شود. داده‌های خروجی این سیستم با داده های قابل دسترس عمومی (Public Data Commons) [3] سازگار می باشد یا به عبارتی می‌تواند در پایگاه داده‌های شهری به طورمشترک استفاده شود. دقت این سیستم نقشه برداری مسیرها در آزمایش های اولیه ۰.۹۴ و در آزمایش نهایی ۰.۹۸ بوده است، که عدد بسیار خوبی است.
اهمیت و کاربرد این سیستم
مسیرهای پیاده‌روی و به طور خاص پیاده‌روها از مهمترین عناصر زیرساخت شهری پایدار و قابل دسترس ساکنان شهرها هستند. شبکه پیاده‌روی با کیفیت و ایمن یکی از عوامل مهم تشویق به پیاده‌روی و کاهش استفاده از خودرو است. در این جهت بهبود داده‌های دقیق از پیاده‌روها، امکان شناسایی نقاط ضعف در زیرساخت پیاده‌روهای شهری را فراهم می‌کند تا شهرداری‌ها بتوانند نسبت به اولویت‌بندی بهتر برای تعمیر و نگهداری مسیرهای پیاده قابل دسترس همگان اقدام نمایند. به علاوه شناسایی موانع در مسیرهای پیاده‌رو نیز می‌تواند به بهبود دسترسی همگان با نیازهای حرکتی مختلف از جمله افراد با ویلچر، مادران باردار یا با کالسکه و افراد سالمند کمک کند. از طرف دیگر چون این سیستم خودکار است و روی دستگاه قابل حمل اجرا می‌شود، می‌تواند در سطح شهرها یا مناطق بزرگ شهری استفاده شود و نیازی به بررسی تمام مسیرها توسط انسان به صورت دستی نیست.
از مزایای اصلی این سیستم و فناوری‌های مشابه – که برای نقشه‌برداری زیرساخت‌ها استفاده می‌شوند – تولید داده‌های یکپارچه، استاندارد و سازگار در مقیاس بزرگ است. این حوزه فرصتی برای مشارکت در یک اکوسیستم داده مؤثر و انعطاف‌پذیر دارد که داده‌های مرتبط را برای بسیاری از ذینفعان، از جمله سازمان‌های حمل و نقل، شهرداری‌ها، بازیگران مدنی دولتی و خصوصی، برای تجزیه و تحلیل، اندازه‌گیری، اولویت‌بندی و احتمالاً مدیریت تحرک و دسترسی در مقیاس شهر فراهم می‌کند که می‌تواند در سیستم‌های اطلاعات شهری دیگر از جمله به صورت لایه GIS استفاده شود.
اما این روش با تمام مزایایی که دارد، بدون محدویت و چالش نیست. از جمله می توان به موارد زیر اشاره کرد که علی‌رغم دقت بالا در آزمایش اولیه، احتمال خطا در محیط‌های پیچیده شهری مثل خیابان‌های باریک، مناطق با پوشش گیاهی سنگین، مسیرهای غیرمعمول نیز وجود دارد. داده تصویری این سیستم برای یادگیری مدل عصبی، نیاز به جمع‌آوری تصاویر دقیق و با کیفیت دارد که در همه شهرها یا مناطق به‌راحتی دردسترس نیست. دستگاه‌های قابل حمل (edge devices) با وجود آنکه سبک و کم‌مصرف می باشند اما نیازمند سخت‌افزار قوی و بدون شک هزینه و پیچیدگی زیاد می باشد. از دیگر چالش های این روش ارزیابی مسیرهای پیاده آن است که تیم‌های محلی باید این سیستم را بپذیرند و ممکن است آنها نگرانی‌هایی درباره مسئولیت، نگهداری و به‌روزرسانی داده‌ها برایشان وجود داشته باشد.
جمع‌بندی
OASIS یک فناوری نوین و عملی خودکار برای ارزیابی مسیرهای پیاده‌روی در مقیاس شهری است. این نوع فناوری نیروی محرکه شهرهای آینده خواهند بود ومی‌تواند نقش زیادی در بهبود دسترسی و کیفیت زیرساخت پیاده‌رو داشته باشد، مخصوصاً برای شهرهایی که می‌خواهند زیرساخت «پیاده مداری » را تقویت کنند. این سیستم یک رویکرد جدید ارزیابی پیاده‌روهای شهری را با استفاده از تکنیک‌های یادگیری ماشین (Machine Learning)[4] بر روی دستگاه‌های قابل حمل پیشنهاد می‌دهد. این سیستم سازمان‌های خصوصی یا عمومی را قادر می‌سازد تا پیاده‌روها و اتصال آنها را به شکل یک نمودار قابل مسیریابی به سرعت و با دقت معقول نقشه‌برداری کنند. با این حال گرچه این سیستم به صورت محدود در چند شهر آمریکا استفاده شده است اما از آنجا که OASIS به صورت سیستم متن باز (open-source) توسعه داده شده است این امکان را برای سایر ذینفعان فراهم می‌کند که از آن استفاده و توسعه دهند و داده‌های مربوط به ارزیابی مسیرهای پیاده را تولید کنند. رویکرد سیستم‌های ارزیابی خودکار پیاده‌روها برای توسعه و مدیریت شبکه‌های حمل و نقل فعال شهری در آینده از اهمیت اساسی برخوردار است چرا که انجام تمام محاسبات در این سیستم با استفاده از زیرساخت ابری که محیطی امن است انجام می شود.
[1] Open Automated Sidewalks Inspection System (OASIS),
[2] – مقیاس‌پذیری به این معنی است که پایگاه داده و ابزارهای تحلیلی می‌توانند بدون کندتر یا کم‌اعتبارتر شدن، با حجم‌های بالاتر توسعه یابند. اطاعات جمع اوری شده در داده های ابری به طور عام مقیاس پذیر می باشند.
[3] – داده‌های عمومی، حجم زیادی از داده‌ها هستند که توسط دولت از منابع عمومی جمع آوری می شوند این داده‌ها شامل داده های سرشماری، داده‌های آب و هوا و آمار جرم و جنایت که در دسترس عموم مردم به خصوص محققان و کسب‌وکارها قرار می گیرند.
[4] – یادگیری ماشین (Machine Learning – ML) زیرشاخه‌ای از هوش مصنوعی (AI) است که به سیستم‌ها اجازه می‌دهد بدون برنامه‌ریزی صریح، از داده‌ها یاد بگیرند، الگوها را شناسایی کنند و تصمیم بگیرند. به بیان ساده، یادگیری ماشین «موتور» هوش مصنوعی است که به سیستم‌ها اجازه می‌دهد هوشمند شوند و رفتار خود را بر اساس تجربه بهبود بخشند.
