{"id":2174,"date":"2026-04-22T13:37:29","date_gmt":"2026-04-22T10:37:29","guid":{"rendered":"https:\/\/marshallai.com\/?p=2174"},"modified":"2026-08-10T15:01:50","modified_gmt":"2026-08-10T12:01:50","slug":"vantaan-liikenneinfrastruktuurin-toteutus","status":"publish","type":"case-study","link":"https:\/\/marshallai.com\/fi\/case-study\/vantaa-traffic-infrastructure-actuation\/","title":{"rendered":"Fyysisen infrastruktuurin k\u00e4ytt\u00f6\u00f6notto: Miten MarshallAI saavutti 99,8%:n luotettavuuden vaativissa olosuhteissa"},"content":{"rendered":"

Osoittaakseen syv\u00e4oppimisen elinkelpoisuuden eritt\u00e4in dynaamisissa ja ennalta arvaamattomissa ymp\u00e4rist\u00f6iss\u00e4, MarshallAI teki yhteisty\u00f6t\u00e4 Suomen Vantaan kaupungin kanssa. Tavoitteena oli korvata perinteiset, sokeat liikennetunnistimet eritt\u00e4in tarkoilla konen\u00e4k\u00f6j\u00e4rjestelmill\u00e4, jotka kykenev\u00e4t kattavaan kohteiden seurantaan ja automatisoituun liikenteenohjaukseen.<\/p>\n\n\n\n

Pilotin tavoitteena oli varmistaa, ett\u00e4 teko\u00e4lypohjainen visuaalinen tunnistus voi toimia \u00e4\u00e4rimm\u00e4isen luotettavasti, integroitua saumattomasti olemassa oleviin laitteisto-ohjaimiin ja tuottaa tehokkuushy\u00f6tyj\u00e4 ilman kohtuuttomia infrasijoituksia.<\/p>\n\n\n

\n
\"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
Reaaliaikainen ajoneuvojen, jalankulkijoiden ja polkupy\u00f6rien luokittelu ja seuranta Vantaan kaupungissa.<\/figcaption><\/figure>\n<\/div>\n\n\n

Suunnittelutavoitteet<\/h2>\n\n\n\n

Absoluuttisen toiminnallisen hallinnan osoittamiseksi projekti keskittyi kahteen ensisijaiseen tavoitteeseen:<\/p>\n\n\n\n

    \n
  • Kattava virtausanalyysi:<\/strong> Eritt\u00e4in vaihtelevien kohteiden (jalankulkijoiden, polkupy\u00f6rien, henkil\u00f6autojen, pakettiautojen, linja-autojen ja puoliper\u00e4vaunurehkan yhdistelmien) tarkka laskeminen ja luokittelu, niiden reittien kartoittaminen ja tarkkojen odotusaikojen laskeminen.<\/li>\n\n\n\n
  • Automatisoitu yhteentoimivuus:<\/strong> Rakennetaan suora reaaliaikainen yhteentoimivuus olemuvan liikenteenohjausj\u00e4rjestelm\u00e4n kanssa logiikan optimoimiseksi ja infrastruktuurin vasteiden automatisoimiseksi ilman ihmisen v\u00e4liintuloa.<\/li>\n<\/ul>\n\n\n\n

    Ratkaisu: H\u00e4iritsem\u00e4t\u00f6n, turvallinen n\u00e4k\u00f6<\/h2>\n\n\n\n

    K\u00e4ytt\u00f6\u00f6notto kattoi kaksi erillist\u00e4 risteyst\u00e4, jotka oli varustettu yhdeks\u00e4ll\u00e4 tavallisella IP-kameralla, jotka oli asennettu olemassa oleviin valaisinpylv\u00e4isiin. Tiedonsiirto hoidettiin turvallisesti mobiiliverkkojen kautta.<\/p>\n\n\n\n

    Fyysisen laitteiston ja monimutkaisten asennusten minimoimiseksi paikan p\u00e4\u00e4ll\u00e4 raskas datank\u00e4sittely toteutettiin turvallisena pilvipalveluna, jota is\u00e4nn\u00f6id\u00e4\u00e4n MarshallAI:n suomalaisessa konesalissa. Yksityisyys ja tietoturva olivat ensiarvoisen t\u00e4rkeit\u00e4: arkaluonteista dataa tai videomateriaalia ei tallennettu. <\/p>\n\n\n\n

    Pilotin suora l\u00e4hetys avattiin yleis\u00f6lle, ja henkil\u00f6llisyyksien suojaamiseksi kohteet sumennettiin automaattisesti MarshallAI:n ty\u00f6kaluilla.<\/p>\n\n\n

    \n
    \"\"\n\t\t\t\n\t\t\t\t\n\t\t\t<\/svg>\n\t\t<\/button>
    MarshallAI-hallintapaneeli, joka luokittelee eri ajoneuvoluokat ja seuraa liikennem\u00e4\u00e4ri\u00e4.<\/figcaption><\/figure>\n<\/div>\n\n\n

    Suorituskyky vaativissa olosuhteissa<\/h2>\n\n\n\n

    Yksi Vantaan pilottihankkeen merkitt\u00e4vimmist\u00e4 tuloksista oli sen osoittaminen, ett\u00e4 MarshallAI-alusta kest\u00e4\u00e4 vaativia fyysisi\u00e4 olosuhteita. Konen\u00e4k\u00f6 perustuu selkeyteen, mutta todellisen maailman ymp\u00e4rist\u00f6t ovat harvoin puhtaita. <\/p>\n\n\n\n

    J\u00e4rjestelm\u00e4 naviguisti menestyksekk\u00e4\u00e4sti \u00e4\u00e4rimm\u00e4isiss\u00e4 Suomen s\u00e4\u00e4olosuhteissa, joihin kuului lunta, runsasta sadetta ja dynaamista takavaloa. Hy\u00f6dynt\u00e4m\u00e4ll\u00e4 motorisoituja kameroita ja l\u00e4mmitett\u00e4vi\u00e4 kameran linssej\u00e4 veden ja lumen poistamiseksi sek\u00e4 sijoittamalla kamerakulmat strategisesti h\u00e4ik\u00e4isyn lievent\u00e4miseksi alusta osoitti, ett\u00e4 ymp\u00e4rist\u00f6haasteet voidaan suunnitella t\u00e4ysin pois. Jos teko\u00e4ly pystyy luotettavasti havaitsemaan polkupy\u00f6r\u00e4n lumimyrskyss\u00e4, se pystyy enemm\u00e4n kuin hyvin tarkastamaan osia haastavissa teollisissa olosuhteissa.<\/p>\n\n\n\n

    Poikkeuksellista luotettavuutta ja tuloksia<\/h2>\n\n\n\n

    Kohteentunnistusmoottori MarshallAI tarjosi \u00e4\u00e4rimm\u00e4isen luotettavuuden ja osoitti valmiutensa kriittiseen automaatioon. Koko projektin ajan keskim\u00e4\u00e4r\u00e4inen kohteentunnistusprosentti ylitti 98% kaikissa eri luokissa.<\/p>\n\n\n\n

      \n
    • Jalankulkijoiden havaitseminen:<\/strong> 99.8% Luotettavuus<\/li>\n\n\n\n
    • Ajoneuvon tunnistus:<\/strong> 98,91 TP4T Luotettavuus<\/li>\n\n\n\n
    • Polkupy\u00f6r\u00e4n havaitseminen:<\/strong> 98,2 % Luotettavuus<\/li>\n<\/ul>\n\n\n\n

      Soveltamalla risteyksen hallintaj\u00e4rjestelm\u00e4\u00e4n automaattista optimointia t\u00e4h\u00e4n reaaliaikaiseen dataan perustuen j\u00e4rjestelm\u00e4 poisti 30 000 turhaa pys\u00e4hdyst\u00e4<\/strong> vuosittain. T\u00e4m\u00e4 johti s\u00e4\u00e4st\u00e4\u00e4 yli kuukauden verran kumulatiivista odotusaikaa<\/strong> vuodessa, v\u00e4hent\u00e4en p\u00e4\u00e4st\u00f6j\u00e4 massiivisesti ja todistaen, ett\u00e4 teko\u00e4lyohjattu toimilaitepohjainen ohjaus tuottaa v\u00e4lit\u00f6nt\u00e4, mitattavaa sijoitetun p\u00e4\u00e4oman tuottoa (ROI).<\/p>","protected":false},"excerpt":{"rendered":"

      Tutustu siihen, kuinka MarshallAI:n reunakuvantunnistusj\u00e4rjestelm\u00e4 seuraa moitteettomasti monimutkaisia kohteita \u00e4\u00e4rimm\u00e4isiss\u00e4 olosuhteissa ja saavuttaa 99,8%:n luotettavuusasteen jalankulkijoiden tunnistuksessa samalla, kun se laukaisee turvallisesti fyysisen infrastruktuurin ohjauslaitteet reaaliajassa.<\/p>","protected":false},"featured_media":2135,"template":"","meta":{"content-type":"","footnotes":""},"categories":[44,26],"tags":[76,24,37,54,21,20,19,56],"class_list":["post-2174","case-study","type-case-study","status-publish","has-post-thumbnail","hentry","category-smart-cities","category-traffic-management","tag-case-study","tag-computer-vision","tag-edge-computing","tag-smart-cities","tag-traffic-control","tag-traffic-counting","tag-traffic-management","tag-traffic-statistics"],"_links":{"self":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study\/2174","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/types\/case-study"}],"version-history":[{"count":3,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study\/2174\/revisions"}],"predecessor-version":[{"id":2208,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/case-study\/2174\/revisions\/2208"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/media\/2135"}],"wp:attachment":[{"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/media?parent=2174"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/categories?post=2174"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/marshallai.com\/fi\/wp-json\/wp\/v2\/tags?post=2174"}],"curies":[{"name":"Hyvin pelattu","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}