Такой заголовок сразу приводит к вопросу: «А может ли путевая машина вообще думать»?“ Ответ однозначен: Да, может. Благодаря искусственному интеллекту (ИИ) машины в состоянии делать выводы из опыта и адаптироваться к новым задачам. Для этого у машины должна иметься способность «самостоятельного» мышления. С помощью искусственных нейрональных сетей машины фирмы Плассер & Тойрер учатся извлекать релевантную информацию и разрабатывать обобщающие решения.

На фирме Плассер & Тойрер ИИ используется для разработки системы-ассистента для подбивки стрелочных переводов. Чтобы система вообще могла оказать оператору поддержку при его сложной работе, она должна сначала подробно проанализировать участок пути перед подбивочной машиной. Таким образом обеспечивается подбивка предусмотренного участка и надежного распознавания возможно имеющихся на пути препятствий, например, кабеля или других объектов и предотвращения повреждения машины или инфраструктуры.

Анализ подбиваемого участка представляет собой существенную и критическую составную часть разработки этой умной системы, так как участки могут так сильно различаться между собой, что анализ при помощи традиционных алгоритмов является почти невозможным. Для решения такой сложной задачи мы применяем искусственные нейрональные сети. Они являются сильно растущим сектором ИИ и отличаются тем, что в процессе обучения они экстрагируют релевантные данные из всего объема имеющихся в распоряжении данных. Таким образом разрабатывается общее решение проблемы, которое обладает способностью допускать изменения.

Применяемые на фирме Плассер & Тойрер алгоритмы не только отличают препятствия от участков подбивки, они также обеспечивают точные данные о свойствах препятствия. При этом система надежно распознает не только такие относительно тривиальные объекты, как шпалы и рельсы, но и достаточно сложные, например, стрелочные тяги и рычаги, рельсовые скрепления и кабель.

Самое большое достоинство алгоритмов для системы-ассистента для подбивки стрелочных переводов заключается в их способности генерализации. Полученные во время фазы обучения данные образуют основу, однако, система в состоянии надежно экстраполировать их на неизвестные области. Таким образом мы обеспечиваем готовность к применению в различном окружении и в различных условиях.