کاربردهای هوش مصنوعی در حمل‌ونقل و لجستیک

در عمل، هوش مصنوعی با دریافت داده‌هایی مانند موقعیت خودروها، تصاویر دوربین‌ها، وضعیت جاده، اطلاعات آب‌وهوا، داده‌های سنسورها و الگوهای تقاضای سفر، تلاش می‌کند وضعیت آینده سیستم را پیش‌بینی و بهترین اقدام را پیشنهاد یا اجرا کند.

هوش مصنوعی در حمل‌ونقل چه کاری انجام می‌دهد؟

حمل‌ونقل یک سیستم پیچیده و پویاست. تعداد زیادی وسیله نقلیه، مسافر، زیرساخت و عامل محیطی به طور هم‌زمان بر عملکرد آن اثر می‌گذارند. به همین دلیل، بسیاری از مسائل حمل‌ونقل را نمی‌توان تنها با قواعد ثابت مدیریت کرد.پژوهشی مروری از «چن» و همکاران در اوت ۲۰۲۶کاربردهای هوش مصنوعی را در چهار حوزه جاده، ریلی، هوایی و دریایی بررسی کرده و نشان می‌دهد نقش اصلی هوش مصنوعی در این صنعت، تقویت سه قابلیت است

1. ادراکسیستم می‌تواند تصاویر دوربین‌ها، داده‌های حسگرها یا اطلاعات موقعیت مکانی را برای شناسایی خودرو، عابر، حادثه، مانع یا وضعیت غیرعادی تحلیل کند.
2. پیش‌بینیمدل‌های یادگیری ماشین می‌توانند بر اساس داده‌های تاریخی و لحظه‌ای، ترافیک، تقاضای سفر، زمان رسیدن یا احتمال خرابی یک تجهیز را تخمین بزنند.
3. بهینه‌سازی و تصمیم‌گیریخروجی مدل می‌تواند برای انتخاب مسیر، زمان‌بندی ناوگان، تنظیم چراغ‌های راهنمایی یا تخصیص منابع استفاده شود.

مهم‌ترین کاربردهای هوش مصنوعی در حمل‌ونقل چیست؟

مدیریت و پیش‌بینی ترافیک

یکی از مهم‌ترین کاربردهای هوش مصنوعی، تحلیل و پیش‌بینی وضعیت ترافیک است. سیستم می‌تواند داده‌های دوربین، GPS، سنسورهای جاده‌ای، اطلاعات خودروها و داده‌های تاریخی را با یکدیگر ترکیب کند و جریان ترافیک را در بازه‌های زمانی مختلف پیش‌بینی کند.

این قابلیت برای مدیریت هوشمند چراغ‌های راهنمایی، تشخیص ازدحام، پیشنهاد مسیر جایگزین و واکنش سریع‌تر به حوادث کاربرد دارد. پژوهش‌های جدید در سیستم‌های حمل‌ونقل شهری، پیش‌بینی تراکم، تحلیل خطر تصادف و کنترل تطبیقی ترافیک را از مهم‌ترین حوزه‌های کاربرد هوش مصنوعی می‌دانند.

چراغ سبز به هوش مصنوعی؛ تلاش نافرجام یا راهکاری هوشمند برای کاهش آلایندگی شهرها؟

هوش مصنوعی همچنین می‌تواند در مدیریت زیرساخت نقش داشته باشد. کاربرد هوش مصنوعی فقط به حرکت وسایل نقلیه محدود نیست و خود جاده نیز می‌تواند به منبع داده تبدیل شود.

خودروهای خودران و سیستم‌های کمک‌راننده

خودروهای خودران شناخته‌شده‌ترین نمونه استفاده از هوش مصنوعی در حمل‌ونقل هستند. خودرو باید محیط اطراف خود را درک کند، اشیا و عابران را تشخیص دهد، موقعیت خود را تخمین بزند، مسیر مناسب را انتخاب کند و در لحظه تصمیم بگیرد.

تاکسی‌های رباتیک، آزمونی اولیه برای این ادعا هستند
آیا چین می‌تواند بر صادرات هوش مصنوعی نیز مسلط شود؟

اما میان «دستیار راننده» و «خودروی خودران» تفاوت مهمی وجود دارد. سازمان ملی ایمنی ترافیک بزرگراهی ایالات متحده (NHTSA) سطوح ۰ تا ۵ را برای درجات مختلف خودکارسازی تشریح می‌کند. مطابق این چارچوب، در سطح ۲ راننده همچنان مسئول نظارت بر رانندگی است. در سطح ۴ سیستم می‌تواند در محدوده عملیاتی مشخص، تمام وظایف رانندگی را انجام دهد. سطح ۵ به خودکارسازی کامل در تمام شرایط اشاره دارد و در حال حاضر برای خودروهای مصرفی در دسترس نیست.

ماشین‌هایی که فرایند تصمیم‌گیری خود را نشان می‌دهند، می‌توانند به غلبه بر بی‌اعتمادی ذاتی کمک کنند
هوش مصنوعی می‌تواند تصمیم‌هایی بهتر از انسان‌ها بگیرد؛ پس چرا به آن اعتماد نمی‌کنیم؟

اکنون نمونه‌های تجاری خودروهای خودران از مرحله آزمایش محدود فراتر رفته‌اند. شرکت تاکسی‌های خودران Waymo، متعلق به شرکت مادر گوگل یعنی آلفابت در سپتامبر ۲۰۲۶ اعلام کرد سرویس سفر کاملا خودران خود را در شهرهای جدیدی از جمله دنور، سن‌دیگو و تامپا برای مسافران عمومی گسترش داده است.

انقلاب هوش مصنوعی در چین
کامیون‌های خودران؛ تهدیدی برای ۳۸ میلیون راننده

بنابراین در این حوزه باید میان ادعاهای مربوط به «آینده خودروهای خودران» و سرویس‌های خودرانی که همین حالا در محدوده‌های جغرافیایی مشخص فعال هستند، تفاوت گذاشت.

حمل‌ونقل عمومی و مدیریت ناوگان

اتوبوس، مترو و سایر سامانه‌های حمل‌ونقل عمومی نیز می‌توانند از هوش مصنوعی برای پیش‌بینی تقاضا، زمان رسیدن، تخصیص وسیله نقلیه و برنامه‌ریزی مسیر استفاده کنند. یکی از کاربردهای مهم، حمل‌ونقل پاسخگو به تقاضا است. در این مدل، برنامه‌ریزی سرویس الزاما ثابت نیست و سیستم می‌تواند بر اساس الگوی تقاضا، وضعیت ناوگان و درخواست مسافران تصمیم بگیرد. برای اپراتور، چنین سیستم‌هایی می‌توانند به استفاده بهتر از ظرفیت ناوگان کمک کنند؛ برای مسافر نیز نتیجه می‌تواند اطلاعات دقیق‌تر درباره زمان رسیدن و تغییرات سرویس باشد.

بینش‌هایی از صنعت حمل‌ونقل عمومی
آیا مردم به هوش مصنوعی برای ارائه اطلاعات مرتبط اعتماد دارند؟

نگهداری پیش‌بینانه

خرابی ناگهانی خودرو، قطار، هواپیما یا تجهیزات زیرساختی می‌تواند هزینه و اختلال زیادی ایجاد کند. نگهداری پیش‌بینانه تلاش می‌کند پیش از وقوع خرابی، نشانه‌های آن را شناسایی کند. مدل‌های هوش مصنوعی می‌توانند داده‌های دما، لرزش، فشار، مصرف انرژی، عملکرد موتور و سایر سنسورها را تحلیل کنند و الگوهای غیرعادی را شناسایی کنند.

مزیت اصلی این رویکرد، جایگزین‌کردن بخشی از تعمیرات واکنشی با تصمیم‌گیری مبتنی بر وضعیت واقعی تجهیز است. البته عملکرد آن به کیفیت داده، پوشش تاریخی خرابی‌ها و اعتبارسنجی مدل وابسته است؛ بنابراین «پیش‌بینی خرابی» را نباید با قطعیت صددرصدی اشتباه گرفت.

هوش مصنوعی در لجستیک و حمل بار

در حمل بار، بخش قابل‌توجهی از ارزش هوش مصنوعی از بهینه‌سازی تصمیم‌های عملیاتی ایجاد می‌شود. الگوریتم‌ها می‌توانند در انتخاب مسیر، زمان‌بندی، تخصیص خودرو به محموله، پیش‌بینی تقاضا و مدیریت شبکه حمل‌ونقل به کار روند. در این بخش، داده معمولا از منابع متعددی می‌آید: سفارش‌ها، موقعیت خودروها، زمان‌های تحویل، ظرفیت ناوگان، وضعیت انبار و شرایط شبکه جاده‌ای. نکته مهم این است که هوش مصنوعی در لجستیک الزاما به معنای «خودکار شدن کامل حمل بار» نیست. در بسیاری از سازمان‌ها، ارزش اولیه از تصمیم‌یارهایی حاصل می‌شود که به اپراتور در پیش‌بینی و انتخاب گزینه مناسب کمک می‌کنند.

هوش مصنوعی در راه‌آهن

در حمل‌ونقل ریلی، هوش مصنوعی می‌تواند برای برنامه‌ریزی حرکت قطارها، پیش‌بینی تقاضا، تشخیص ناهنجاری تجهیزات، نگهداری پیش‌بینانه و کنترل عملیات استفاده شود. برتری بالقوه این کاربردها در شبکه‌های ریلی، حجم بالای داده‌های عملیاتی و ساختار نسبتا منظم شبکه است. درعین‌حال، سیستم‌های ریلی از نظر ایمنی بسیار حساس‌اند و هر الگوریتمی که در تصمیم‌های عملیاتی استفاده شود، به اعتبارسنجی و کنترل انسانی مناسب نیاز دارد.

هوش مصنوعی در هوانوردی و مدیریت ترافیک هوایی

هوانوردی یکی از نمونه‌های مهم استفاده از هوش مصنوعی برای تصمیم‌گیری در یک محیط پیچیده و ایمنی‌محور است. در ژوئن ۲۰۲۶، اداره هوانوردی فدرال آمریکا اعلام کرد سامانه SMART را برای کمک به مدیریت ترافیک هوایی توسعه می‌دهد. این سامانه داده‌هایی مانند برنامه پروازها، ظرفیت فرودگاه، شرایط جوی و وضعیت فضای هوایی را برای شناسایی زودتر محدودیت‌ها و تعارض‌های احتمالی ترکیب می‌کند.

پرواز F-16 با هوش مصنوعی

SMART قرار است در کنار سامانه‌های موجود کار کند و مسئولیت جداسازی ایمن هواپیماها همچنان با کنترلرهای ترافیک هوایی باشد. این مثال اهمیت یک اصل را نشان می‌دهد؛ در کاربردهای حساس به ایمنی، هوش مصنوعی لزوما جایگزین انسان نیست؛ بلکه می‌تواند یک سیستم تصمیم‌یار برای افزایش سرعت و کیفیت تصمیم‌گیری باشد.

کاربردهای هوش مصنوعی در صنعت هوافضا

هوش مصنوعی در حمل‌ونقل دریایی

هوش مصنوعی در حمل‌ونقل دریایی برای مسیریابی، پیش‌بینی شرایط، بهینه‌سازی عملیات و حرکت خودکار یا از راه دور کشتی‌ها مورداستفاده قرار می‌گیرد.

رونق هوش مصنوعی و ژئوپلیتیک در حال بازآرایی اقیانوس‌های آسیا هستند

اهمیت این حوزه در سال ۲۰۲۶ با یک تحول مقرراتی نیز افزایش یافت. سازمان بین‌المللی دریانوردی در ماه مه ۲۰۲۶ نخستین چارچوب جهانی اختصاصی برای کشتی‌های سطحی خودران یاMASS Codeرا تصویب کرد. این چارچوب از ۱ ژوئیه ۲۰۲۶ اجرایی شد و برای کشتی‌های تجاری خودران یا تحت کنترل از راه دور، الزامات ایمنی و عملیاتی تعیین می‌کند. بنابراین آینده هوش مصنوعی در حمل‌ونقل دریایی صرفا یک موضوع تحقیقاتی نیست؛ اکنون موضوع استانداردگذاری و حکمرانی نیز هست.

هوش مصنوعی چه مزایایی برای حمل‌ونقل دارد؟

مزیت هوش مصنوعی را نمی‌توان به یک عدد ثابت برای کل صنعت تعمیم داد. نتیجه به نوع سیستم، کیفیت داده، زیرساخت و نحوه اجرا بستگی دارد. بااین‌حال، کاربردهای اصلی را می‌توان در چند گروه خلاصه کرد

• ایمنیتشخیص خطر، حادثه و رفتارهای غیرعادی.
• بهره‌وریاستفاده بهتر از ناوگان و زیرساخت.
• پیش‌بینیتخمین ترافیک، تقاضا، زمان رسیدن و خرابی.
• کاهش اتلافبهینه‌سازی مسیر، ظرفیت و زمان.
• تجربه مسافراطلاعات دقیق‌تر و خدمات شخصی‌سازی‌شده.
• پایداریکاهش سفرهای غیرضروری و بهینه‌سازی مصرف انرژی در برخی کاربردها.

بااین‌حال، وجود هوش مصنوعی به‌خودی‌خود تضمین نمی‌کند که مصرف انرژی یا انتشار کربن کاهش یابد. پژوهش‌های جدید درباره حمل‌ونقل پایدار تاکید می‌کنند که اثر زیست‌محیطی هوش مصنوعی به نحوه استفاده از آن و سیاست‌های گسترده‌تر حمل‌ونقل، از جمله تغییر شیوه جابه‌جایی به سمت حمل‌ونقل عمومی و فعال، وابسته است.

چالش‌های استفاده از هوش مصنوعی در حمل‌ونقل چیست؟

بزرگ‌ترین چالش، صرفا انتخاب یک مدل هوش مصنوعی نیست. سیستم حمل‌ونقل باید داده کافی، زیرساخت مناسب، امنیت سایبری، فرایند اعتبارسنجی و چارچوب مسئولیت داشته باشد.

• کیفیت دادهداده ناقص یا سوگیرانه می‌تواند خروجی مدل را ضعیف کند.
• ایمنیخطای مدل در یک سامانه حمل‌ونقل می‌تواند پیامد فیزیکی داشته باشد؛ بنابراین استانداردهای اعتبارسنجی اهمیت ویژه‌ای دارند.
• امنیت سایبریاتصال بیشتر خودروها، زیرساخت‌ها و سامانه‌های کنترل، سطح حمله را نیز افزایش می‌دهد.
• حریم خصوصیداده‌های مکانی و رفتاری مسافران و رانندگان می‌تواند بسیار حساس باشد.
• توضیح‌پذیری و مسئولیتدر تصمیم‌های مهم باید مشخص باشد یک سیستم بر چه مبنایی تصمیم گرفته و در صورت خطا چه کسی مسئول است.
• زیرساختهوش مصنوعی بدون داده، حسگر، ارتباطات و توان محاسباتی مناسب نمی‌تواند عملکرد موردانتظار را ارائه دهد.

آینده هوش مصنوعی در حمل‌ونقل چگونه خواهد بود؟

مسیر آینده را بهتر است نه با پیش‌بینی‌های قطعی، بلکه با روندهای قابل‌مشاهده توصیف کرد.

1. نخست، هوش مصنوعی از ابزارهای منفرد به سمت سیستم‌های یکپارچه حمل‌ونقل حرکت می‌کند؛ یعنی داده، خودرو، جاده، ناوگان، آب‌وهوا و تقاضا در کنار یکدیگر قرار می‌گیرند.
2. دوم، خودکارسازی به‌تدریج از خودروهای شخصی به ناوگان، حمل بار، بنادر، فرودگاه‌ها و زیرساخت گسترش می‌یابد.
3. سوم، مدل‌های جدید هوش مصنوعی می‌توانند در کنار مدل‌های پیش‌بینی سنتی قرار بگیرند و به اپراتورها امکان تعامل طبیعی‌تر با داده‌ها و سامانه‌های عملیاتی را بدهند.
4. چهارم، مقررات همزمان با فناوری در حال تغییر است؛ زیرا توسعه فناوری بدون بحث درباره استاندارد، ایمنی و مسئولیت امکان‌پذیر نیست.

در نتیجه، مهم‌ترین تحول هوش مصنوعی در حمل‌ونقل الزاما حذف انسان و خودران‌شدن تاکسی‌ها نیست؛ بلکه انتقال بخشی از ادراک، پیش‌بینی و تصمیم‌گیری عملیاتی از فرایندهای دستی به سامانه‌های داده‌محور است. هرجا داده باکیفیت، مسئله مشخص و سازوکار اعتبارسنجی وجود داشته باشد، هوش مصنوعی می‌تواند بخشی از عملکرد سیستم حمل‌ونقل را دقیق‌تر و خودکارتر کند. اما در سامانه‌های حساس به ایمنی، میزان موفقیت آن به همان اندازه که به مدل وابسته است، به کیفیت زیرساخت، طراحی عملیاتی و حکمرانی نیز وابسته خواهد بود.

پرسش‌های متداول

• مهم‌ترین کاربرد هوش مصنوعی در حمل‌ونقل چیست؟
  یک کاربرد واحد را نمی‌توان برای همه بخش‌ها مهم‌ترین دانست. مدیریت ترافیک، پیش‌بینی تقاضا، خودروهای خودران، لجستیک، نگهداری پیش‌بینانه و مدیریت عملیات از مهم‌ترین حوزه‌های کاربرد هستند.
• آیا هوش مصنوعی می‌تواند جای راننده را بگیرد؟
  در برخی محیط‌های محدود، سرویس‌های کاملا خودران عملیاتی شده‌اند؛ اما این موضوع با خودروهای مصرفی کاملا خودران در همه شرایط تفاوت دارد.
• هوش مصنوعی چگونه به کاهش ترافیک کمک می‌کند؟
  از طریق پیش‌بینی جریان ترافیک، تشخیص ازدحام و حادثه، بهینه‌سازی چراغ‌های راهنمایی و ارائه اطلاعات یا مسیرهای جایگزین.
• آیا هوش مصنوعی در حمل‌ونقل عمومی هم کاربرد دارد؟
  بله. پیش‌بینی تقاضا، زمان رسیدن، برنامه‌ریزی مسیر، تخصیص ناوگان و حمل‌ونقل پاسخگو به تقاضا از کاربردهای مهم آن هستند.
• کاربرد هوش مصنوعی در لجستیک چیست؟
  پیش‌بینی تقاضا، بهینه‌سازی مسیر و زمان‌بندی، تخصیص ناوگان و پشتیبانی از تصمیم‌های عملیاتی از مهم‌ترین موارد هستند.
• آیا کشتی‌های خودران واقعا در حال توسعه هستند؟
  بله. سازمان بین‌المللی دریانوردی در سال ۲۰۲۶ نخستین چارچوب جهانی اختصاصی برای کشتی‌های سطحی خودران را تصویب کرد؛ این چارچوب از ژوئیه ۲۰۲۶ اجرایی شده است.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.