Road Surface Intelligence: la prossima frontiera della sicurezza stradale

Quali segnali di rischio ci stanno sfuggendo?

Il miglioramento della sicurezza stradale in Europa negli ultimi decenni è un risultato importante che merita di essere riconosciuto. I progressi nella tecnologia di sicurezza dei veicoli e una maggiore consapevolezza di come il comportamento del conducente influisca sui risultati sono stati i principali fattori che hanno contribuito a questo progresso. Tuttavia, il progresso è stato disomogeneo e, in molti luoghi, più lento di quanto sperato. Ogni anno, circa 20.000 persone perdono ancora la vita sulle strade europee, e si stima che 100.000 rimangano gravemente ferite. Sebbene il numero di vittime sia diminuito nel tempo, i feriti gravi registrati sono diminuiti più lentamente e in modo disomogeneo — e in alcuni paesi sono addirittura aumentati. Il recente stallo nei progressi della sicurezza sta spingendo a riconsiderare l'ambiente stradale come una potenziale variabile mancante. Sebbene ricercatori e autorità abbiano da tempo riconosciuto che tale ambiente svolge probabilmente un ruolo decisivo nella sicurezza, la capacità di analizzare questa relazione è stata fondamentalmente limitata dalla mancanza di dati sistematici a livello di rete. Ciò ha lasciato un'ipotesi critica riguardante il rischio stradale in gran parte inesplorata, non per mancanza di interesse, ma per mancanza di prove su larga scala.

L'infrastruttura stradale — dalla segnaletica e gli elementi a bordo strada alle condizioni del manto stradale stesso — è riconosciuta come una componente fondamentale della sicurezza stradale, insieme al comportamento degli utenti della strada (ad esempio eccesso di velocità, attenzione, stato di ebbrezza) e alla tecnologia di sicurezza dei veicoli (dalle cinture di sicurezza ai sistemi avanzati di assistenza alla guida e alle funzioni autonome). In pratica, tuttavia, il lavoro sulla sicurezza relativo alle infrastrutture tende a dare priorità ai fattori più facili da definire, regolare e far rispettare, come i limiti di velocità e la progettazione degli incroci. Molti rischi legati alle infrastrutture sono più difficili da valutare in modo coerente su scala di rete, il che crea un divario pratico nella definizione delle priorità di sicurezza quotidiane.

Uno di questi rischi è la condizione del manto stradale. Sebbene sia ampiamente riconosciuto che influisca sulla dinamica del veicolo — inclusi aderenza, prestazioni di frenata e stabilità — è stato gestito principalmente attraverso processi di manutenzione piuttosto che trattato come un input esplicito per l'analisi della sicurezza. Ciò è dovuto in parte al fatto che le condizioni del manto sono state difficili da osservare e confrontare sistematicamente su intere reti stradali e, di conseguenza, difficili da collegare in modo coerente ai dati su incidenti, vittime e altri dati di sicurezza correlati.

Ciò che sta cambiando non sono i fondamenti della sicurezza stradale, ma gli strumenti disponibili per rendere visibili le condizioni del manto stradale su larga scala. Sistemi come 3DAI™ di Univrses utilizzano l'IA per trasformare i dati visivi provenienti dalle flotte di veicoli di uso quotidiano in informazioni stradali coerenti a livello di rete. Ciò rende possibile osservare e confrontare le condizioni del manto stradale attraverso le reti in modo più continuo, consentendo di trattarle come un input pratico e rilevante per la sicurezza, piuttosto che come una questione di manutenzione di secondo piano.

Cosa dimostrano le nuove ricerche

Diversi studi empirici hanno analizzato come le caratteristiche misurabili del manto stradale si relazionino agli esiti degli incidenti, utilizzando set di dati su larga scala che combinano registri di traffico, pavimentazione e incidenti. Ciò consente di esaminare retrospettivamente le condizioni del manto come una variabile di sicurezza a livello di rete.

Il rischio di incidenti aumenta drasticamente su superfici deteriorate

Un recente studio quantitativo ha analizzato dati dettagliati su incidenti e pavimentazione nello stato americano dell'Iowa, collegando i registri degli incidenti geolocalizzati alle condizioni del manto misurate su migliaia di singole sezioni stradali. Ogni sezione è stata classificata in base alla rugosità della pavimentazione e alla resistenza allo slittamento, e la frequenza degli incidenti è stata calcolata come numero di incidenti ogni 100 milioni di miglia percorse dai veicoli.

Le differenze sono state marcate. Le sezioni stradali classificate in cattive condizioni di pavimentazione hanno registrato 466 incidenti ogni 100 milioni di miglia percorse, rispetto ai 134 incidenti nelle sezioni in buone condizioni. Quando la resistenza allo slittamento è stata esaminata separatamente, il contrasto è stato ancora più netto: le sezioni con scarsa aderenza misurata hanno registrato 571 incidenti ogni 100 milioni di miglia percorse, rispetto ai 118 incidenti nelle sezioni con buona aderenza.

Lo studio è di tipo osservazionale, ma il modello è coerente. Sia per quanto riguarda le misure di rugosità che quelle di aderenza, il peggioramento delle condizioni del manto è stato associato a frequenze di incidenti marcatamente più elevate, in particolare sulle strade a velocità medio-bassa che costituiscono gran parte del traffico quotidiano.

Segnali coerenti su scala di rete

Questi risultati sono rafforzati da un'analisi più ampia, condotta su più stati da Federal Highway Administration degli Stati Uniti. Basandosi sulle misurazioni dell'attrito del manto stradale e sui dati relativi agli incidenti provenienti da oltre 55.000 segmenti stradali in cinque stati, lo studio ha esaminato come le variazioni dell'attrito misurato siano correlate alla frequenza degli incidenti in diversi tipi di strade e località.

Nell'intero set di dati, valori di attrito più elevati sono stati costantemente associati a tassi di incidentalità inferiori. In media, un aumento di 10 unità nell'attrito misurato ha corrisposto a una riduzione approssimativa del 10% degli incidenti totali. Nelle località in cui l'aderenza della superficie è particolarmente critica — tra cui curve, incroci e punti di accesso alle rampe — le riduzioni stimate sono state sostanzialmente maggiori, superando in diversi casi il 20-30%. L'analisi ha inoltre dimostrato che l'attrito ha una relazione più forte con il verificarsi di incidenti in condizioni di bagnato rispetto a quelle di asciutto.

Nel complesso, le prove dimostrano che le caratteristiche della superficie, come l'attrito e le condizioni del manto stradale, sono attributi misurabili che correlano costantemente con il rischio di incidenti su diversi tipi di strade e aree geografiche.

L'IA rende misurabile su larga scala il rischio legato alla superficie stradale

Per molte autorità stradali, le condizioni del manto stradale sono state tradizionalmente valutate tramite istantanee. I dati su rugosità e attrito esistono, ma vengono spesso raccolti attraverso ispezioni periodiche o test isolati, rendendo difficile mantenere una visione costantemente aggiornata e comparabile delle condizioni su una rete in continua evoluzione.

L'intelligenza artificiale sta iniziando a cambiare questo scenario. Analizzando grandi volumi di dati acquisiti dai veicoli, sia visivi che di altra natura, gli approcci basati sull'IA possono convertire ciò che i veicoli "vedono" e "percepiscono" in indicatori strutturati e comparabili delle condizioni del manto stradale. Invece di affidarsi a controlli occasionali, i segnali relativi alla superficie possono essere osservati più frequentemente nel tempo.

3DAI™: Intelligenza stradale per l'intera rete

3DAI™ di Univrses è un sistema di monitoraggio stradale basato sull'IA che converte varie fonti di dati veicolari, incluse le immagini delle telecamere installate su veicoli comuni, in dati strutturati e georeferenziati sulle condizioni del manto stradale e dell'ambiente circostante. Invece di dipendere da veicoli di rilevamento dedicati o da ispezioni sporadiche, il sistema opera tramite telecamere economiche e può essere implementato su flotte di veicoli esistenti, consentendo una copertura continua di ampie reti stradali.

3DAI™ fornisce un contesto molto più ricco rispetto ai soli parametri di performance della superficie. Sebbene misure come l'attrito o la resistenza allo slittamento possano indicare che le prestazioni della superficie sono cambiate, non ne spiegano il motivo. Grazie a 3DAI™, le autorità possono osservare direttamente le condizioni fisiche della strada, esaminando le immagini o utilizzando l'IA integrata nel sistema per analizzarle e identificare buche, crepe, usura superficiale e altri difetti visibili.

In un contesto di sicurezza stradale, ciò rende possibile non solo rilevare i cambiamenti nel tempo, ma anche comprenderne le cause. Quando gli indicatori di performance della superficie variano, i dati visivi aiutano a distinguere se la causa sia un deterioramento strutturale che richiede manutenzione, condizioni temporanee come la presenza di acqua sulla carreggiata, o letture che non richiedono alcun intervento. Questo riduce l'incertezza e supporta azioni di follow-up più mirate nell'ambito di interventi più ampi di sicurezza e manutenzione.

Lo stesso principio si estende oltre il manto stradale. Altri elementi osservabili dell'ambiente stradale — come segnaletica, illuminazione e infrastrutture a bordo strada — possono essere acquisiti e strutturati tramite 3DAI™. Ciò favorisce una visione più sistematica delle condizioni delle infrastrutture stradali che influenzano la sicurezza, facilitando le autorità nell'includere tali elementi in analisi di sicurezza proattive.

Come funziona 3DAI™

1. Scansione basata su telecamere. I veicoli dotati del sistema di visione basato su telecamere di 3DAI™ scansionano continuamente le superfici stradali durante il tragitto.
2. Rilevamento basato sull'IA. I modelli di visione artificiale analizzano i dati per rilevare e classificare caratteristiche e difetti legati alla superficie, come crepe, buche e usura.
3. Elaborazione edge sul dispositivo. I dati chiave vengono elaborati direttamente sul dispositivo, riducendo le dimensioni dei file, abbattendo i costi di trasferimento e accelerando l'analisi iniziale.
4. Raffinamento in cloud. I rilevamenti vengono caricati sul cloud, dove vengono ulteriormente strutturati e convalidati, pronti a supportare una mappatura accurata e la generazione di insight.
5. Mappatura georeferenziata. Ogni rilevamento viene mappato con coordinate GPS precise, consentendo di mappare accuratamente le condizioni lungo la rete stradale.
6. Analisi dei trend. Con l'accumularsi dei dati, 3DAI™ evidenzia i modelli di cambiamento, aiutando i team a individuare dove il deterioramento sta progredendo e dove potrebbe essere necessario un intervento.

Affidarsi all'IA nel processo decisionale per la sicurezza stradale

L'integrazione dei dati sul manto stradale nelle analisi di sicurezza richiede la fornitura di insight precisi e ripetibili, in linea con gli standard di altri input infrastrutturali affidabili. Le autorità stradali devono avere la certezza che le informazioni utilizzate siano sufficientemente attendibili da poter essere considerate insieme a valutazioni ingegneristiche, statistiche sugli incidenti e giudizi professionali nelle analisi di sicurezza.

Accuratezza verificata rispetto ai metodi consolidati

3DAI™ è stato confrontato con metodi di riferimento consolidati per la misurazione delle condizioni stradali. Le valutazioni indipendenti condotte dallo Swedish National Road and Transport Research Institute (VTI) dimostrano che gli output del sistema si allineano strettamente alle tecniche di misurazione tradizionali per le condizioni del manto stradale.

Adattamento alle condizioni stradali reali

A differenza dei metodi di rilevamento statici, 3DAI™ opera in modo continuo in ambienti eterogenei. Man mano che i veicoli dotati del sistema percorrono diversi tipi di strada, materiali di superficie e condizioni meteorologiche, i modelli vengono perfezionati per riflettere le variazioni del mondo reale.

Dati strutturati per la definizione delle priorità

Oltre all'accuratezza del rilevamento, 3DAI™ fornisce dati sulle condizioni stradali in un formato strutturato e ripetibile. Le reti vengono suddivise in segmenti confrontabili, rendendo i cambiamenti visibili nel tempo anziché limitarsi a osservazioni isolate.

Aggregando gli insight derivanti dai passaggi ripetuti dei veicoli, il sistema evidenzia i modelli di cambiamento anziché i singoli difetti. Forniti tramite API o interfaccia web, i dati si integrano con i flussi di lavoro GIS e di analisi esistenti, supportando la definizione delle priorità e il follow-up come fonte di prova complementare.

Comprovato nell'uso operativo

3DAI™ è già utilizzato da diverse città e autorità di trasporto stradale in Europa per supportare i flussi di lavoro di gestione degli asset. Queste implementazioni mostrano come i dati sulle condizioni stradali su scala di rete possano essere integrati nella pianificazione quotidiana, nella definizione delle priorità e nel follow-up.

Con queste basi, il prossimo passo logico per 3DAI™ è mettere in relazione le condizioni del manto stradale osservate con i risultati di sicurezza segnalati. In Svezia, ciò significa lavorare per collegare i dati sulle condizioni stradali di 3DAI™ con i registri degli incidenti contenuti nel database STRADA di Trafikverket, consentendo di analizzare come le condizioni del manto stradale e gli incidenti reali si allineino nel tempo.

Scopri come città e autorità utilizzano 3DAI™ nella pratica:

• L'Inghilterra ha classificato 110.000 lampioni in 90 giorni
• Trafikverket è passata dai rilievi stradali annuali al monitoraggio continuo dell'intera rete svedese
• Mesta e Statens Vegvesen hanno utilizzato 3DAI™ per rilevare segnali e danni superficiali su 17.459 km di strade norvegesi
• Helsingborg ha ridotto le buche del 70% in cinque mesi
• Tauragė, in Lituania, è diventata la prima città a utilizzare 3DAI™ per il monitoraggio delle fermate degli autobus

Una strada più chiara da seguire

Le condizioni del manto stradale sono state a lungo gestite principalmente come una questione di manutenzione, piuttosto che trattate come un input esplicito per l'analisi della sicurezza stradale. Ricerche recenti rendono questa distinzione sempre meno sostenibile, evidenziando costanti correlazioni statistiche tra le caratteristiche misurabili della superficie — tra cui lo stato della pavimentazione e l'aderenza — e la frequenza degli incidenti in molteplici set di dati.

Il cambiamento pratico consiste nel fatto che il rischio legato alla superficie non deve più essere dedotto o affrontato solo attraverso cicli periodici. Quando le condizioni del manto stradale possono essere osservate più frequentemente e confrontate su tutta la rete, diventano un input utilizzabile per una gestione proattiva del rischio, in particolare sulle strade urbane ed extraurbane dove si verifica la maggior parte degli incidenti mortali e dove le condizioni variano maggiormente.

Per gli enti stradali, questo non cambia i fondamenti della sicurezza stradale né sostituisce le misure già collaudate. Sistemi come 3DAI™ illustrano come le condizioni del manto stradale possano essere rese più visibili e confrontabili su scala di rete. Ciò rafforza la base di prove per stabilire dove indagare ulteriormente, dove le condizioni stanno cambiando e dove dare priorità agli interventi, affiancando questi dati a input consolidati come lo storico degli incidenti, le valutazioni ingegneristiche e la conoscenza del territorio.

L'opportunità è semplice: una migliore visibilità su scala di rete rende possibile gestire il rischio legato alla superficie con maggiore coerenza e precisione, a supporto di strade più sicure.

‍