La sfida

National Highways gestisce 7.200 km di strade, garantendo viaggi sicuri ed efficienti a milioni di utenti ogni giorno. Una parte cruciale di questa infrastruttura è la vasta rete di circa 117.000 lampioni. L'illuminazione stradale costa a National Highways diverse decine di milioni di sterline all'anno in elettricità e rappresenta il 58% della loro impronta di carbonio aziendale, contribuendo per oltre 15.000 tonnellate di CO₂ annue. National Highways sta lavorando per aggiornare una parte significativa dei propri lampioni, sostituendo le lampade tradizionali con LED a risparmio energetico. Questa transizione è un elemento chiave della strategia di National Highways per ridurre i costi dell'elettricità, tagliare le emissioni di carbonio e sostenere l'obiettivo a lungo termine di raggiungere emissioni nette zero entro il 2030. Per pianificare questa transizione, misurare i progressi e prevedere i futuri risparmi energetici, National Highways si è basata su un inventario esistente dei lampioni. Tuttavia, è emerso presto che tali dati erano incompleti e obsoleti. Ciò ha creato notevoli incertezze, con un impatto diretto sulla pianificazione finanziaria e operativa di National Highways:

• Pianificazione poco chiara per i futuri aggiornamenti – Registri mancanti o obsoleti hanno reso difficile pianificare ed eseguire il programma di conversione a LED, oltre a ottimizzare la manutenzione generale dei lampioni.
• Aggiornamenti LED non verificati e discrepanze nella fatturazione – La mancanza di registri aggiornati ha complicato gli sforzi per verificare l'attuale consumo energetico e ha reso impossibile una valutazione accurata dei costi dell'elettricità.
• Proiezioni dei costi imprecise – Senza dati precisi sul tipo e sulla posizione dei lampioni, National Highways non è stata in grado di stimare i risparmi energetici e l'impatto finanziario a lungo termine della transizione ai LED.

Di conseguenza, era evidente la necessità di creare un inventario aggiornato degli asset di illuminazione stradale di National Highways. Tradizionalmente, effettuare un inventario di una rete di illuminazione così estesa richiede rilievi manuali ad alta intensità di lavoro. Questi rilievi comportano rischi significativi per la sicurezza, poiché il personale deve svolgere le attività di rilevamento vicino al traffico attivo. Ridurre questo rischio è stato un fattore chiave nella decisione di National Highways di esplorare un approccio alternativo. Oltre alle preoccupazioni per la sicurezza, l'onere finanziario e logistico delle ispezioni manuali è notevole. Un'ispezione manuale completa della rete stradale avrebbe richiesto circa 2.000 turni notturni. Con un costo di 5.000 sterline per km rilevato per ogni turno notturno, i soli costi di rilevamento (senza contare la gestione del traffico o le chiusure stradali) avrebbero raggiunto milioni di sterline: un costo proibitivo.

La soluzione: dati accurati sui lampioni, potenziati dall'IA

Nel valutare come affrontare la sfida, sono stati esplorati diversi approcci automatizzati, tra cui l'adozione di tecnologie come LIDAR, imaging ottico, analisi satellitare e apprendimento automatico.

Il sistema basato su IA di Univrses, 3DAI™, è stato selezionato come la soluzione più efficace. Si basa sull'acquisizione di immagini ottiche e sull'apprendimento automatico, offrendo il miglior equilibrio tra velocità, efficienza dei costi e precisione.

Univrses ha implementato il sistema su tutta la rete, consentendo il rilevamento, la classificazione e il posizionamento di oltre 100.000 lampioni in meno di 3 mesi. Il risultato è stato un set di dati strutturato che National Highways ha potuto integrare nei propri sistemi di gestione degli asset per orientare il processo decisionale e monitorare i progressi dei programmi di aggiornamento e manutenzione dei LED. WSP ha revisionato e convalidato i risultati, garantendo che i dati soddisfacessero rigorosi standard di qualità prima di essere consegnati a National Highways.

Il processo: rilevamento automatizzato dei lampioni‍

1. Raccolta dati su strada

Veicoli standard dotati del sistema 3DAI™ di Univrses hanno acquisito immagini durante la percorrenza della rete, senza interruzioni del traffico o necessità di ispezioni manuali.

2. Rilevamento e classificazione

I lampioni sono stati rilevati automaticamente nelle immagini e classificati come LED o non LED in base alle caratteristiche visive, utilizzando modelli di apprendimento automatico addestrati.

3. Posizionamento e precisione

A ogni rilevamento è stata assegnata una geolocalizzazione precisa tramite triangolazione. I passaggi multipli dei veicoli sono stati uniti automaticamente per migliorare l'affidabilità e filtrare le ostruzioni.

4. Validazione e consegna

WSP ha condotto revisioni mirate per verificare le classificazioni e il posizionamento. Univrses ha applicato misure di controllo qualità durante tutto il processo per garantire coerenza e precisione.

Il risultato: colmare il divario tra registri e realtà‍

Una panoramica completa e accurata della rete

Il rilievo basato sull'intelligenza artificiale ha coperto 8.800 chilometri dell'infrastruttura stradale inglese, inclusi gli svincoli, rilevando e classificando circa 110.000 lampioni. Sono state acquisite (e anonimizzate) oltre 15 milioni di immagini, ottenendo il set di dati più completo che National Highways abbia mai avuto sui propri impianti di illuminazione.

La precisione è stata elevata su tutta la linea: WSP ha confermato che il 95% dei rilevamenti effettuati da 3DAI™ non ha richiesto modifiche, mentre per il restante 5% sono stati necessari solo lievi affinamenti. Il rilievo ha inoltre rivelato che oltre il 50% dei registri esistenti sui lampioni era impreciso e richiedeva un aggiornamento.

Raccolta dati efficiente ed economica

Un rilievo manuale completo della stessa rete avrebbe richiesto migliaia di ore di lavoro e sarebbe costato decine di milioni di sterline. Al contrario, la raccolta dati basata su 3DAI™ è stata completata in una frazione di quel tempo e a una frazione del costo, senza l'ulteriore disagio di chiusure stradali o la necessità di squadre di ispezione in loco.

Decisioni più solide, in linea con gli obiettivi di sostenibilità

Grazie a un set di dati più accurato, National Highways può ora monitorare meglio gli aggiornamenti a LED, garantire che le bollette energetiche riflettano l'infrastruttura reale e pianificare la manutenzione in modo più efficace. Le stime iniziali indicano che con questi nuovi dati si risparmieranno milioni di sterline all'anno. Ciò supporta anche la loro strategia a lungo termine Net Zero, consentendo un monitoraggio più preciso degli aggiornamenti a risparmio di carbonio in tutta la rete.

Privacy dei dati

‍Tutti i dati acquisiti da 3DAI™ sono completamente anonimizzati. Non vengono archiviate informazioni personali e il sistema è conforme al GDPR e alle altre normative pertinenti sulla privacy.

“La qualità delle decisioni dipende dalla qualità dei dati su cui si basano. Ottenere rapidamente insight di alto livello significa poter allocare tempo e risorse non basandosi su ipotesi, ma su ciò che accade realmente sul campo.”

- Jonathan Selbie, CEO, Univrses
‍

Il futuro: sbloccare il pieno potenziale dell'IA

Il successo di questo progetto ha gettato le basi per il modo in cui il monitoraggio basato sull'intelligenza artificiale può supportare una gestione più ampia degli asset. Sebbene questa iniziativa si sia concentrata sull'illuminazione stradale, la stessa tecnologia può essere applicata ad altri elementi lungo la strada, come segnaletica verticale, segnaletica orizzontale e barriere di sicurezza, sull'intera rete stradale strategica.

3DAI™ può essere utilizzato anche per mantenere registri patrimoniali accurati nel tempo, una priorità fondamentale per National Highways. Implementando 3DAI™ regolarmente, National Highways può convalidare automaticamente i propri inventari confrontando i nuovi rilevamenti con i dati passati, per confermare se un lampione o qualsiasi altro asset sia ancora presente, rimosso o ricollocato. Ciò semplifica i flussi di lavoro di raccolta dati e contribuisce a mantenere l'affidabilità delle informazioni.

Nella fase successiva, i dati provenienti da più veicoli che rilevano vari asset verranno continuamente uniti in un unico livello di intelligenza in evoluzione, eliminando i set di dati frammentati e riducendo la necessità di una raccolta dati manuale estesa e pericolosa. Invece di affidarsi a dati di rilevamento obsoleti, le autorità disporranno di una fonte costantemente aggiornata sulle condizioni stradali, consentendo ai gestori delle strade di monitorare i cambiamenti in modo dinamico, anticipare i rischi e pianificare con precisione.

Questo progetto ha dimostrato il valore della percezione basata sull'intelligenza artificiale nella gestione degli asset su larga scala. Dimostrando che la raccolta di dati ad alta precisione è fattibile a livello nazionale, National Highways e WSP possono ora esplorare applicazioni più ampie di 3DAI™, migliorando le operazioni della rete stradale e supportando gli obiettivi di lungo termine Net Zero.

“Quando abbiamo preso in considerazione l'utilizzo di 3DAI™ per il monitoraggio delle infrastrutture su questa scala, non sapevamo davvero cosa aspettarci. Era un territorio completamente nuovo. Avendo visto i risultati, stiamo incoraggiando attivamente altri team e clienti ad adottare questo approccio. Ci ha dato una nuova prospettiva sul valore dell'intelligenza artificiale nella gestione delle infrastrutture.” ‍

- Nick Griffin, Project Lead di WSP

Informazioni su Univrses

Univrses è un'azienda leader nel campo della visione artificiale e dell'intelligenza artificiale, specializzata in software che fornisce ai sistemi autonomi capacità di percezione avanzate. L'azienda ha collaborato con importanti produttori automobilistici per sviluppare componenti software ora integrati nei veicoli di produzione, inclusi modelli di punta come Polestar 3 e Volvo EX90.

Sfruttando la sua solida posizione nel settore automobilistico, Univrses si è espansa nel mercato multimiliardario della gestione degli asset, utilizzando i dati provenienti dai normali veicoli passeggeri. Attraverso i suoi algoritmi proprietari, l'azienda trasforma i dati grezzi dei sensori in informazioni fruibili, fondamentali per una gestione efficiente degli asset.

Questi dati consentono una comprensione dettagliata e in tempo reale dell'infrastruttura stradale, incluse le condizioni del manto stradale, la segnaletica verticale, la segnaletica orizzontale e l'illuminazione pubblica. Il sistema di intelligenza artificiale può essere utilizzato anche per monitorare e analizzare progetti in corso, come cantieri stradali e siti di costruzione. Sfruttando queste informazioni, le città e le autorità stradali possono prendere decisioni migliori, allocare le risorse in modo più efficiente, ridurre le emissioni di CO₂, abbattere i costi e migliorare la sicurezza stradale.

Con una presenza consolidata sul mercato, Univrses aiuta città, autorità di trasporto stradale e appaltatori a ottenere significativi risparmi annuali, potenzialmente centinaia di milioni di euro per paese. La soluzione proprietaria 3DAI™ dell'azienda è già stata implementata dalle autorità nazionali per le reti stradali in sei paesi europei, tra cui Svezia, Danimarca, Norvegia, Paesi Bassi, Regno Unito e Italia.