KI Fahrgastzählung: Technik für indische Busse & Datenschutz

KI zur Fahrgastzählung: Technische Umsetzung eines Systems für indische Busse

KI-Lösung für Transportsysteme: So funktioniert sie

Moderne Technologien der künstlichen Intelligenz (KI) eröffnen neue Möglichkeiten zur Bewältigung von Herausforderungen im Verkehrssektor. Eine solche Herausforderung ist die genaue Zählung von Fahrgästen in indischen Bussen, wo systematischer Betrug durch Personal zu erheblichen finanziellen Verlusten führt. Dieser Artikel beleuchtet die technische Seite des Projekts, behandelt die Systemarchitektur, die Entwicklung eines eigenen neuronalen Netzwerks und die Einhaltung der indischen Datenschutzgesetze.

Von der Idee zur Umsetzung: Datenerfassung und -aufbereitung

Das Projekt begann mit einer detaillierten Analyse der Betriebsbedingungen von Bussen in Indien. Eine Vor-Ort-Recherche wurde organisiert, um das Fahrzeugdesign zu studieren, optimale Kameramontagewinkel zu bestimmen und einen primären Datensatz zu sammeln. Über fünf Tage wurde etwa eine Stunde 4K-Videomaterial aufgezeichnet, das den Datensatz IndiaBus-v1.0 bildete. Dieses Material half, zentrale Erkennungsprobleme wie Verdeckungen, Spiegelungen und Lichtverhältnisse zu identifizieren und definierte die Hardwareanforderungen.

Die Ergebnisse bildeten die Grundlage für Richtlinien zur Kamerainstallation und Protokolle für die Datenübertragung. Daten von den Bussen werden über WLAN oder GSM an Endhaltestellen hochgeladen, was die Infrastrukturkosten minimiert. Die Übertragungsgeschwindigkeiten erreichen 400 Mbps, wobei die Upload-Zeit pro Fahrt 5–10 Minuten beträgt. Dieser Ansatz ermöglicht die schnelle Verarbeitung großer Datenmengen ohne Verzögerungen.

Systemarchitektur: Ein dreistufiger Ansatz

Das Fahrgastzählsystem basiert auf drei Stufen, die jeweils spezifische Aufgaben haben:

• Bordstufe: Umfasst Kameras zur Aufzeichnung von Fahrgastein- und -austieg, ein GPS-Modul zur Standortverfolgung und eine SSD zur Datenspeicherung während der Fahrt (ca. 15 GB pro Fahrt).
• Upload-Stufe: Daten werden an Endhaltestellen über schnelles WLAN oder GSM an einen Server übertragen.
• Server-Stufe: Hier findet die KI-Verarbeitung statt. Zuerst erkennt ein YOLO-Modell Gesichter, dann werden Bilder zugeschnitten, gefolgt von der Extraktion von Embeddings mithilfe des eigenen neuronalen Netzwerks Adaptive Face Extractor. Schließlich werden Embeddings für die Fahrgastidentifikation verglichen, und Daten werden über GPS und Zeitstempel mit Haltestellen verknüpft.

Dieser Ansatz zählt nicht nur Fahrgäste genau, sondern berechnet auch individuelle Fahrpreise basierend auf der zurückgelegten Strecke. Die Tarifformel ist einfach: die Summe der Tarife für alle Haltestellen zwischen Ein- und Ausstiegspunkt.

Warum ein eigenes neuronales Netzwerk: Vorteile des Adaptive Face Extractor

Statt vorgefertigter Lösungen wie FaceNet oder ArcFace wurde eine eigene Adaptive Face Extractor-Architektur entwickelt. Die Gründe hängen mit der Spezifität der Aufgabe und den Daten zusammen:

• Anpassung an indische Bedingungen: Vorgefertigte Modelle, die mit westlichen Datensätzen trainiert wurden, zeigten eine geringe Genauigkeit (~90 %) bei Bildern mit Saris, Turbans und nicht-standardisierten Lichtverhältnissen. Das eigene Netzwerk erreichte 96,3 % Genauigkeit auf indischen Daten.
• Ressourcenoptimierung: Die Modellgröße beträgt nur 4,7 MB gegenüber 98 MB bei kommerziellen Lösungen, mit einer Inferenzzeit auf der CPU von 42 ms gegenüber 280 ms.
• Variable Eingabegröße: Die Architektur unterstützt die Verarbeitung von Bildern unterschiedlicher Skalierung (von 80×80 bis 180×160 Pixel), was angesichts variierender Fahrgastgrößen und Abstände zur Kamera entscheidend ist.
• Datenkontrolle: Die Nutzung eines eigenen Modells vermeidet das Senden biometrischer Daten an externe APIs und entspricht rechtlichen Anforderungen.
• Kosteneinsparungen: Keine Lizenzgebühren, die bei einer Skalierung auf 180.000 Fahrgäste pro Tag Millionen Rupien monatlich erreichen könnten.

Die Adaptive Face Extractor-Architektur umfasst wichtige Blöcke: einen initialen Block mit Conv2D und BatchNorm, einen Multi-Scale-Block mit parallelen Zweigen, einen Squeeze-and-Excitation-Attention-Mechanismus und finale Schichten für 512D- oder 1024D-Embeddings. Das Training nutzte den IndiaBus-v1.0-Datensatz mit ArcFace Loss und Datenaugmentierung für Robustheit.

Datensynchronisierung und Fahrpreisberechnung

Eine genaue Fahrgastzählung und individuelle Routenbestimmung beruhen auf der Synchronisierung von Kamera- und GPS-Daten. Der Empfänger unterstützt NavIC L1 und GPS L1/L5 und bietet eine Genauigkeit von bis zu 10 Metern. Zeitstempel werden über einen NTP-Server in Mumbai mit einem Fehler von unter 100 ms synchronisiert. Koordinaten werden alle 15 Sekunden protokolliert, und jedes Videobild wird mit Standort- und Zeitdaten versehen.

Ein- und Ausstiegs-Embeddings werden mithilfe der Kosinusähnlichkeit verglichen. Der Ähnlichkeitsschwellenwert wird derzeit feinjustiert, um Erkennungspräzision und -trefferquote auszubalancieren. Der Vergleichscode sieht so aus:

def compare_faces(embedding1, embedding2, threshold):
    similarity = np.dot(embedding1, embedding2)
    if similarity > threshold:
        return True  # Gleiche Person
    else:
        return False  # Unterschiedliche Personen

Rechtliche Compliance: Datenschutz gemäß DPDPA 2023

Ein zentraler Aspekt des Projekts ist die Einhaltung des indischen Digital Personal Data Protection Act (DPDPA 2023). Dieses Gesetz ist weniger streng als die DSGVO oder CCPA, stellt aber dennoch ernsthafte Anforderungen. Die Höchststrafen für Verstöße können 250 Crore Rupien (ca. 27 Millionen Euro) erreichen, werden jedoch nur bei schwerwiegenden Verstößen wie Datenlecks oder fehlenden Sicherheitsmaßnahmen verhängt.

Um den gesetzlichen Anforderungen zu entsprechen, wurden folgende Maßnahmen umgesetzt:

• Daten werden ausschließlich auf Servern in Indien (Region Mumbai) gespeichert.
• Gesichtsbilder werden nur 90 Tage lang zur Fehlerbehebung aufbewahrt und dann gelöscht, während Embeddings (aus denen sich Originalbilder nicht rekonstruieren lassen) länger gespeichert werden.
• Informationsschilder in Marathi, Hindi und Englisch werden in den Bussen angebracht, um eine informierte Einwilligung zu ermöglichen.
• TLS 1.3-Verschlüsselung und AES-256-GCM werden verwendet.
• Vierteljährliche Audits durch Dritte werden durchgeführt.

Die Einhaltung des DPDPA 2023 minimiert nicht nur Risiken, sondern bietet auch einen Wettbewerbsvorteil, da sie den Betrieb dort ermöglicht, wo andere Unternehmen möglicherweise auf Einschränkungen stoßen.

Wichtige Erkenntnisse

• Technische Umsetzung: Die dreistufige Architektur gewährleistet Datenerfassung, -übertragung und -verarbeitung für eine genaue Fahrgastzählung.
• Eigenes Modell: Der Adaptive Face Extractor übertrifft vorgefertigte Lösungen in der Genauigkeit auf indischen Daten (96,3 %) und der Ressourcenoptimierung (4,7 MB, 42 ms auf CPU).
• Rechtliche Compliance: Die Einhaltung des DPDPA 2023 minimiert Strafrisiken und bietet einen Marktvorteil.
• Datensynchronisierung: GPS und Zeitstempel ermöglichen eine präzise Routen- und Fahrpreisberechnung für jeden Fahrgast.

— Editorial Team