Képzeljük csak el: az autópályán egyetlen kamerákkal felszerelt kapu áll, és miközben elhalad alatta a forgalom, ez az egyetlen egység egyszerre figyeli a sofőr kezében lévő mobiltelefont, a hiányzó biztonsági övet, a hirtelen sávelhagyást és az illegális szélvédő-sötétítést. És ez egyáltalán nem science fiction, hanem Dubajban 2024 végétől megjelenő közlekedésellenőrzési gyakorlat. Ahogy azt a Traffic Technology International legfrissebb számának vezércikke bemutatja, ez a modell most kezd globális mércévé válni. Mi változott az ANPR óta? Az automatikus rendszámfelismerés (ANPR) mintegy másfél évtizede a mélytanulás (deep learning) első nagy közlekedési alkalmazási területe volt, és a neurális hálók (több rétegen át tanuló képfelismerő modellek) évről évre javították a leolvasási pontosságot. Az igazi fordulat azonban most következik be — nem a rendszámolvasás finomításával, hanem azzal, hogy a kamerák immár „mindent mást is" képesek leolvasni. Mesterségesintelligencia-alapú videóelemzéssel és szenzorfúzióval (több szenzor adatának egyesített kiértékelésével) az útszéli egységek ma már képesek detektálni a járművön belüli vezetői magatartást, több részleges rendszámfelvételből erősebb azonosítási bizonyosságot építeni, és egyetlen telepítésből egyszerre több szabálysértés-típust észlelni, dokumentálni és hatósági ellenőrzésre továbbítani. Egy 2025-ben publikált nemzetközi kutatás szerint az AI-alapú kamerás ellenőrzés nemcsak több szabálysértést képes kiszűrni, hanem a közlekedési magatartásra is hatással lehet.   Az AI-alapú közlekedésellenőrzés már nemcsak rendszámot olvas: a jármű jellemzőit, mozgását és a vezetői magatartás jeleit is több adatpontból elemzi. (Forrás: AI generált illusztráció) Hogyan ismeri fel az AI, hogy mobilozik-e a sofőr? A dubaji példa ennél is tovább megy: a városban 2024 vége óta olyan AI-alapú, multiszenzoros ellenőrzőegységek működnek, amelyek egyetlen telepítésből több szabálysértést is képesek észlelni, dokumentálni és hatósági ellenőrzésre továbbítani. A rendszer a vezetés közbeni mobiltelefon-használatot, a biztonsági öv hiányát, a hirtelen sávelhagyást vagy sávfegyelem megsértését, valamint az illegális szélvédő-sötétítést is azonosíthatja. „Az AI-vezérelt radar pontosan azonosítja a szabálysértéseket" — mondja Eyad Al Barkawi, a KTC International ügyvezetője. „Például képes különbséget tenni egy ruhadarab és a biztonsági öv között még gyenge fényviszonyok között is — ez teszi lehetővé az életmentő szabály pontos érvényesítését." A rendszer AI-alapú képelemzéssel és infravörös képalkotással dolgozik, így gyenge fényviszonyok között is képes bizonyos belső jelek — például a biztonsági öv viselése vagy a kézben tartott telefon — felismerésére, valamint az illegális szélvédő-sötétítést is azonosítja. Mivel mindehhez nincs szüksége vakuvillanásra, ráadásul a berendezés hordozható, és az igényekhez igazodva könnyen áttelepíthető. Dubaj ma több mint tízezer okoskamerát üzemeltet egy központi ellenőrző és irányítóközpontba kötve, ami jól mutatja a közlekedésbiztonság színvonalának emelése iránti elkötelezettségüket, mely 2030-ra a nulla közúti halálesetet tűzte ki célul. A bevezetés óta eltelt időszak tapasztalatai alapján ez reálisnak tűnik: a város 100 000 lakosra vetített közlekedési halálozási rátáját 2007 óta 21,7-ről 1,8-ra csökkentette. Persze a fokozódó ellenőrzés mellett ebbben a szigorú bírságok is kiemelt szerepet játszottak. Hasonló irány látszik más nagyvárosi rendszereknél is. Abu-Dzabiban például nagy számban telepítettek olyan korszerű, lézeres érzékelésre épülő ellenőrzőegységeket, amelyek egyszerre több sávot és forgalmi irányt képesek figyelni. Az AI szerepe itt nem önmagában a „büntetés”, hanem a forgalom résztvevőinek — autók, gyalogosok, kerékpárosok — pontosabb megkülönböztetése, vagyis a téves riasztások csökkentése. A gyártói oldal visszajelzései szerint az elmúlt években jelentősen bővült a kamerás közlekedésellenőrzés felhasználási köre. A sebességmérés mellett egyre nagyobb szerepet kapnak azok a funkciók, amelyek a forgalommal szembeni haladást, a tiltott kanyarodást, a vezetés közbeni telefonhasználatot vagy a biztonsági öv hiányát is képesek felismerni. Mi az a jármű-ujjlenyomat? A Kapsch TrafficCom új megoldása jól mutatja, merre tart ez a technológia. A rendszer nemcsak a rendszámot figyeli, hanem a jármű külső jellemzőit is: például a formáját, színét és egyéb vizuális azonosítóit. Ebből egyfajta digitális „jármű-ujjlenyomatot” készít, amelyet több kamera részleges adataival is össze tud kapcsolni. Ez azért fontos, mert a valós forgalomban nem mindig készül tökéletes rendszámfotó. Előfordulhat takarás, rossz szög, gyenge fény vagy részleges leolvasás. Az AI ilyenkor nem egyetlen képre támaszkodik, hanem több adatból próbál nagyobb azonosítási biztonságot építeni. A megoldás előnye, hogy nem feltétlenül igényel teljesen új infrastruktúrát: meglévő útszéli vagy hídra, felüljáróra szerelt kamerák adataira is építhet. A cél nem a meglévő útdíj- és ellenőrzési rendszerek lecserélése, hanem azok kiegészítése egy olyan AI-alapú réteggel, amely a hagyományos rendszámfelismerés gyenge pontjait csökkentheti. Hasonló problémára keres megoldást a brit MAV Systems is, amely a manipulált, úgynevezett „szellem rendszámtáblák” felismerésére fejlesztett AI-alapú technológiát. Ezeknél a rendszámoknál fóliával, spray-vel vagy más módszerrel érik el, hogy a tábla szabad szemmel normálisnak tűnjön, a hagyományos rendszámfelismerő kamera viszont ne tudja megbízhatóan leolvasni. A rendszer színes és infravörös felvételeket vet össze, az AI pedig az eltérésekből próbálja felismerni a manipulációt. Ez különösen ott fontos, ahol pénzügyi érdek fűződik a rendszám elrejtéséhez: például dugódíjas zónákban, útdíjas szakaszokon vagy repülőtéri behajtási rendszereknél. A MAV Systems saját adatai szerint az ilyen táblák aránya a normál közúti forgalomban néhány százalék lehet, de díjfizetős zónákban ennél jóval magasabbra ugorhat. A cég szerint ezeknél a járműveknél gyakrabban fordulhat elő más szabálytalanság is is, például adó-, műszaki vizsga- vagy regisztrációs probléma. Lehet-e ezt egyáltalán szabályozni? A trend egyértelmű: az AI-alapú forgalomellenőrzés olyan modell felé halad, amelyben egyetlen útszéli egység tucatnyi szabálysértés-típust rögzít, és már helyben feldolgozza a bizonyítékokat (edge technológiával), a nem szabálysértő felvételeket pedig órákon belül törli, és csak a hitelesített eseteket továbbítja az automatizált ügyintézési folyamatba — emberi ellenőrzés mellett, de már nem szűk keresztmetszetként, hanem biztonsági fékként. A következő lépés az, hogy az AI-feldolgozás egyre közelebb kerül magához a kamerához. A rendszámot, a jármű típusát, színét, kategóriáját vagy sebességét egyes rendszerek már helyben is képesek felismerni, nem csak egy távoli háttérszerveren. Ez gyorsabb működést, kevesebb továbbított adatot és rugalmasabb telepítést jelenthet. A technológia ráadásul már nemcsak fixen telepített kamerákhoz kötődik. A drónos fejlesztések azt mutatják, hogy a jármű- és rendszámfelismerés mozgó, légi megfigyelési pontokról is használható lehet, például rendőrségi vagy forgalomirányítási helyzetekben. A gyorsuló fejlődés mellett az adatvédelmi szakemberek éberen figyelnek: Jolynn Dellinger, a Duke Egyetem jogi professzora szerint még ha a biztonsági érvek igazolják is a kompromisszumokat, „akkor is fontos felismerni, hogy itt egy adatvédelmi érdekről van szó". A 2024 augusztusában hatályba lépett uniós AI-rendelet (az Európai Unió mesterséges intelligenciáról szóló rendelete) alapján az ilyen rendszerek egy része — különösen akkor, ha rendészeti, kritikus infrastruktúra-üzemeltetési vagy személyazonosítással összefüggő célra használják őket — magas kockázatú kategóriába kerülhet. Ez átláthatósági, dokumentációs, adatkezelési és emberi felügyeleti követelményeket vet fel, és olyan megfelelési terhet jelent, amely tipikusan a már bejáratott multinacionális szállítóknak kedvez. Ezzel párhuzamosan a forgalomellenőrzés-mint-szolgáltatás (Traffic Enforcement as a Service) modell terjedése a nagy beruházási kiadásokat előre tervezhető üzemeltetési költségekké alakítja, ami a szűkös költségvetésű önkormányzatoknak is megnyitja a piacot. Hogy ez a modell már nem laboratóriumi kísérlet, jól mutatja az európai gyakorlat is: a Görög Digitális Kormányzati Minisztérium 2025 decemberében Athénban indított nyolckamerás AI-pilotban az első hónapban mintegy 40 000 szabálysértést rögzítettek. A rendszer a piroson áthajtást, a gyorshajtást, a mobilhasználatot, a biztonsági öv hiányát, a gyalogátkelőn való megállást, a buszsáv- és leállósáv-használatot, valamint a gyalogátkelőhelyek figyelmen kívül hagyását egyaránt detektálja. A tervezett, több ezer kamerásra bővített országos rendszer további kategóriákkal — a bukósisak-mulasztással és a műszaki vizsga hiányával — egészül majd ki. Miért fontos ez Magyarországnak? Magyarországon ma a kamerás közlekedésellenőrzés nem egyetlen, hanem több, párhuzamosan működő rendszerben jelenik meg. A sebességmérést és a piros lámpás áthajtás ellenőrzését a VÉDA közlekedésbiztonsági kamerahálózat végzi, az útdíj- és matricaellenőrzést az NÚSZ saját kamerás infrastruktúrája — gyakorlatilag különálló rendszerként — látja el, és külön világot alkot a közbiztonsági térfigyelő rendszerek halmaza, amelyet többségében az önkormányzatok és a rendőrség üzemeltet. A parkolásellenőrzés digitális, kamerás kiterjesztése pedig — a scan-car és a fix telepítésű ANPR-megoldások hazai bevezetése — már a bevezetés küszöbén áll. Ezek a rendszerek ma még meglehetősen elszigetelten működnek, miközben fizikailag is ugyanazokat az eseményeket figyelik: ki, mikor, milyen járművel, milyen viselkedéssel halad át egy adott ponton. A dubaji, Abu-Dzabi-i és athéni példák épp azt mutatják, hogy a valódi értéknövekedést nem új eszközök telepítése, hanem a meglévő hálózatok AI-alapú összekapcsolása és kibővítése hozza — vagyis ott, ahol már fix telepítésű kamera, jó kép és bevizsgált adatfolyam van, az AI-réteg már szoftverként, infrastruktúra-bővítés nélkül is hozzáadható. Egy parkolásellenőrző scan-car ugyanolyan jól tudna táplálni egy közlekedésbiztonsági szabálysértés ellenőrző rendszert, mint amilyen jól egy VÉDA-pont képi adatai felhasználhatók lennének az útdíjellenőrzésben — ehhez azonban közös adatkezelési és szabályozási keret kell. Az AI-alapú jármű-ujjlenyomatozásról és a Kapsch HoTCap rendszeréről részletesen írtunk az AI-ujjlenyomat az útdíjcsalók ellen — a Kapsch megoldása mindent lát, amit a kamera nem című anyagunkban, az AI ITS-szektorbeli térnyeréséről pedig a Nem csak figyel: az AI most tényleg átveszi a város irányítását? cikkünkben. Az Acusensus mobilhasználat-detektáló technológiájának hazai vonatkozásairól az Az új kamerák nemcsak látják, ha mobilozik az autóban, de azonnal értesítik is a rendőrséget! című írásunkban olvashattak korábban. A közlekedési hatóságok globálisan ma már nem azt mérlegelik, telepítsenek-e AI-alapú forgalomellenőrzést, hanem azt, hogy milyen gyorsan tudják skálázni — és vajon a jogi keret tud-e lépést tartani azzal, amire a technológia már képes.   Fogalmak: ANPR (Automatic Number Plate Recognition): automatikus rendszámfelismerés, vagyis olyan kamerás technológia, amely képfeldolgozással azonosítja és leolvassa a járművek rendszámát. Lidar: lézeres távolságmérésen alapuló szenzortechnológia, amely a környezet térbeli leképezésére, járművek vagy mozgó objektumok pontos érzékelésére használható. Edge computing: helyi adatfeldolgozás, amikor az adatokat nem egy távoli központi szerver elemzi, hanem már a kamera, szenzor vagy út menti egység közelében dolgozzák fel. Uniós AI-rendelet (EU AI Act): az Európai Unió mesterséges intelligenciáról szóló szabályozása, amely kockázati alapon határozza meg az AI-rendszerekre vonatkozó követelményeket. Szenzorfúzió: többféle érzékelő — például kamera, radar, lidar vagy infravörös szenzor — adatainak összekapcsolása annak érdekében, hogy a rendszer pontosabb és megbízhatóbb képet kapjon a forgalmi helyzetről. Neurális hálózat: gépi tanulási modell, amely nagy mennyiségű adatból tanul mintázatokat felismerni. A modern képfelismerő rendszerekben, így az ANPR-ben is ez segíthet a nehezebben olvasható rendszámok vagy járműjellemzők azonosításában. Kapsch TrafficCom: osztrák központú közlekedéstechnológiai vállalat, amely útdíjszedési, forgalommenedzsment- és közlekedésellenőrzési rendszereket fejleszt. A cikkben az AI-alapú járműazonosítás új irányaként jelenik meg. MAV Systems: brit közlekedéstechnológiai cég, amely kamerás rendszámfelismerő és járműazonosító megoldásokkal foglalkozik. A cikkben főként a manipulált, nehezen olvasható rendszámtáblák felismerése kapcsán szerepel. Hikvision: nemzetközi kameratechnológiai és videómegfigyelési vállalat, amely intelligens kamerarendszereket is fejleszt. A cikkben az úgynevezett edge feldolgozás példájaként jelenik meg, amikor az elemzés részben már magában a kamerában történik. Neural Labs: járműanalitikára és rendszámfelismerésre szakosodott technológiai cég. A cikkben olyan szoftveres megoldás kapcsán szerepel, amely a kamerákba építve képes járműadatokat helyben felismerni. Flock Safety: amerikai közlekedésbiztonsági és rendészeti technológiai vállalat, amely kamerás és járműazonosító rendszereket fejleszt. A cikkben főként a drónos rendszám- és járműfelismerés példájaként jelenik meg. KTC International: dubaji hátterű infrastruktúra- és közlekedéstechnológiai szereplő, amely multiszenzoros közlekedésellenőrző megoldásokkal is megjelenik. A cikkben a dubaji AI-alapú ellenőrzési példához kapcsolódik. Vitronic: német közlekedéstechnológiai vállalat, amely közúti ellenőrző, sebességmérő és lidaralapú érzékelőrendszereket fejleszt. A cikkben az Abu-Dzabiban alkalmazott korszerű ellenőrzőegységek kapcsán szerepel.   Jenoptik Smart Mobility: német technológiai vállalat közlekedési üzletága, amely kamerás sebességmérési és közlekedésellenőrzési rendszereket fejleszt. A cikkben az AI-alapú, sebességmérésen túli ellenőrzési funkciók példájaként jelenik meg.   A cikk a Traffic Technology Today / Traffic Technology International anyaga („The all-seeing AI", Tom Stone, 2026. április/május) alapján készült, magyar kontextussal és szerkesztői kiegészítésekkel. A képek illusztrációk, egyes esetekben mesterséges intelligencia által generáltak.