Utmaningen

National Highways förvaltar 7 200 km vägar och säkerställer trygga och effektiva resor för miljontals användare varje dag. En avgörande del av denna infrastruktur är dess omfattande nätverk av cirka 117 000 gatlyktor. Gatubelysning kostar National Highways flera tiotals miljoner pund årligen i el och står för 58 % av deras företags koldioxidavtryck, vilket bidrar med över 15 000 ton CO₂ årligen. National Highways har arbetat med att uppgradera en betydande del av sina gatlyktor från traditionella armaturer till energisnåla LED-lampor. Denna övergång är en viktig del av National Highways strategi för att minska elkostnaderna, sänka koldioxidutsläppen och stödja deras långsiktiga mål att uppnå Net Zero företags koldioxidutsläpp till 2030. För att planera denna övergång, mäta framsteg och prognostisera framtida energibesparingar, förlitade sig National Highways på en befintlig inventering av gatlyktorna. Det blev dock snart uppenbart att denna data var ofullständig och föråldrad. Detta skapade stora osäkerheter, vilket direkt påverkade National Highways finansiella och operativa planering:

• Oklar planering för framtida uppgraderingar – Saknade eller föråldrade register gjorde det svårt att planera och genomföra LED-konverteringsprogrammet samt optimera det allmänna underhållet av gatlyktor.
• Overifierade LED-uppgraderingar och faktureringsavvikelser – brist på uppdaterade register komplicerade ansträngningarna att verifiera aktuell energiförbrukning och gjorde en korrekt bedömning av elkostnaderna omöjlig.
• Felaktiga kostnadsprognoser – Utan exakta data om gatlyktstyper och platser kunde National Highways inte uppskatta energibesparingar och den långsiktiga finansiella effekten av övergången till LED.

Därför fanns det ett tydligt behov av att skapa en uppdaterad inventering av National Highways gatubelysningstillgångar. Traditionellt kräver en inventering av ett så omfattande gatubelysningsnätverk arbetsintensiva manuella undersökningar. Dessa undersökningar medför betydande säkerhetsrisker eftersom personal måste utföra sina inventeringsuppgifter nära levande trafik. Att minska denna risk var en viktig drivkraft i National Highways beslut att utforska ett alternativt tillvägagångssätt. Utöver säkerhetsaspekterna är den finansiella och logistiska belastningen av manuella inspektioner betydande. En fullständig manuell inspektion av vägnätet skulle ha krävt cirka 2 000 nattskift. Med varje nattskift som kostar 5 000 pund per undersökt kilometer, skulle enbart inventeringskostnaderna (utan att räkna med trafikledning eller vägavstängningar) ha uppgått till miljontals pund – en kostnad som var oöverkomligt stor.

Lösningen: Exakta gatubelysningsdata, drivna av AI

Vid övervägandet av hur utmaningen skulle hanteras utforskades flera automatiserade tillvägagångssätt – inklusive införandet av tekniker som LIDAR, optisk avbildning, satellitanalys och maskininlärning.

Univrses AI-drivna system, 3DAI™, valdes som den mest effektiva lösningen. Det bygger på optisk bildinsamling och maskininlärning, och erbjuder den bästa balansen mellan hastighet, kostnadseffektivitet och precision.

Univrses implementerade systemet över nätverket, vilket möjliggjorde detektering, klassificering och positionering av över 100 000 gatlyktor på mindre än 3 månader. Resultatet var en strukturerad datamängd som National Highways kunde integrera i sina system för tillgångsförvaltning för att informera beslutsfattande och följa framstegen i LED-uppgraderings- och underhållsprogrammen. WSP granskade och validerade resultaten och säkerställde att data uppfyllde strikta kvalitetsstandarder innan de levererades till National Highways.

Processen: Automatisk detektering av gatlyktor‍

1. Datainsamling på väg

Standardfordon utrustade med Univrses 3DAI™-system samlade in bilder under körning på nätverket – inga trafikstörningar eller manuella inspektioner krävdes.

2. Detektering och klassificering

Gatlyktor detekterades automatiskt i bildmaterialet och klassificerades som LED eller icke-LED baserat på visuella egenskaper med hjälp av tränade maskininlärningsmodeller.

3. Positionering och noggrannhet

Varje detektering tilldelades en exakt geolokalisering med hjälp av triangulering. Flera fordonsgenomfarter slogs automatiskt samman för att förbättra tillförlitligheten och filtrera bort hinder.

4. Validering och leverans

WSP utförde riktade granskningar för att verifiera klassificeringar och positionering. Univrses tillämpade kvalitetssäkringsåtgärder genomgående för att säkerställa konsekvens och noggrannhet.

Resultatet: Överbryggar klyftan mellan register och verklighet‍

En komplett och korrekt översikt över nätverket

Den AI-drivna undersökningen täckte 8 800 kilometer av Englands väginfrastruktur, inklusive på- och avfarter, och detekterade och klassificerade cirka 110 000 gatlyktor. Mer än 15 miljoner bilder togs (och anonymiserades), vilket resulterade i den mest kompletta datamängd National Highways någonsin har haft om sina belysningstillgångar.

Noggrannheten var hög överlag – WSP bekräftade att 95 % av de detekteringar som gjordes med 3DAI™ inte krävde några justeringar, och endast mindre justeringar behövdes för de återstående 5 %. Undersökningen visade också att över 50 % av de befintliga gatlykteregistren var felaktiga och behövde uppdateras.

Effektiv, kostnadseffektiv datainsamling

En fullständig manuell undersökning av samma nätverk skulle ha krävt tusentals persontimmar och kostat tiotals miljoner pund. Däremot slutfördes den 3DAI™-drivna datainsamlingen på en bråkdel av den tiden och kostnaden – utan den extra störningen av vägavstängningar eller behovet av inspektionsteam på plats.

Bättre beslut, i linje med hållbarhetsmålen

Med en mer exakt datamängd kan National Highways nu bättre spåra LED-uppgraderingar, säkerställa att energiräkningarna återspeglar den faktiska infrastrukturen och planera underhåll mer effektivt. Initiala uppskattningar visar att miljontals pund kommer att sparas årligen med denna nya data. Detta stöder också deras långsiktiga Net Zero-strategi genom att möjliggöra mer exakt spårning av koldioxidbesparande uppgraderingar över hela nätverket.

Dataskydd

‍All data som samlas in av 3DAI™ är helt anonymiserad. Ingen personlig information lagras, och systemet följer GDPR och andra relevanta integritetsbestämmelser.

”Beslut är bara så bra som den data de baseras på. Att snabbt få högkvalitativa insikter innebär att tid och resurser kan allokeras inte baserat på antaganden – utan på vad som faktiskt hände på plats.”

- Jonathan Selbie, VD, Univrses
‍

Framtiden: Frigör AI:s fulla potential

Projektets framgång lade grunden för hur AI-driven övervakning skulle kunna stödja en bredare tillgångsförvaltning. Även om detta initiativ fokuserade på gatlyktor, kan samma teknik tillämpas på andra vägrelaterade tillgångar – som trafikskyltar, vägmarkeringar och säkerhetsbarriärer – över hela det strategiska vägnätet.

3DAI™ kan också användas för att upprätthålla korrekta tillgångsregister över tid – en viktig prioritet för National Highways. Genom att regelbundet implementera 3DAI™ kan National Highways automatiskt validera sina inventarier genom att jämföra nya upptäckter med tidigare data för att bekräfta om en gatlykta, eller någon annan tillgång, fortfarande är på plats eller har tagits bort eller flyttats. Detta effektiviserar arbetsflöden för datainsamling och bidrar till att upprätthålla förtroendet för datan.

I nästa fas kommer data från flera fordon som upptäcker olika tillgångar kontinuerligt att slås samman till ett enda, utvecklande intelligenslager – vilket eliminerar fragmenterade datamängder och minskar behovet av omfattande manuell och farlig datainsamling. Istället för att förlita sig på föråldrad undersökningsdata kommer myndigheter att ha en kontinuerligt uppdaterad källa till aktuell information om vägförhållanden – vilket gör det möjligt för vägförvaltare att dynamiskt spåra förändringar, förutse risker och planera med precision.

Detta projekt har visat värdet av AI-driven perception inom storskalig tillgångsförvaltning. Genom att visa att datainsamling med hög noggrannhet är genomförbar på nationell nivå kan National Highways och WSP nu utforska bredare tillämpningar av 3DAI™ – vilket förbättrar vägnätsdriften och stöder långsiktiga Net Zero-mål.

”När vi först övervägde att använda 3DAI™ för infrastrukturövervakning i denna skala var vi verkligen osäkra på vad vi skulle förvänta oss. Det var helt nytt territorium. Efter att nu ha sett resultaten uppmuntrar vi aktivt andra team och kunder att anta detta tillvägagångssätt. Det har gett oss ett nytt perspektiv på värdet av AI inom infrastrukturförvaltning.” ‍

- Nick Griffin, projektledare på WSP

Om Univrses

Univrses är ett ledande företag inom datorseende och AI, specialiserat på mjukvara som förser autonoma system med avancerade perceptionsförmågor. Företaget har samarbetat med stora biltillverkare för att utveckla mjukvarukomponenter som nu används i produktionsfordon, inklusive flaggskeppsmodeller som Polestar 3 och Volvo EX90.

Genom att utnyttja sin starka position inom fordonssektorn har Univrses expanderat till den biljon-dollar stora marknaden för tillgångsförvaltning genom att utnyttja data från vanliga personbilar. Med hjälp av sina egenutvecklade algoritmer omvandlar företaget rå sensordata till handlingsbara insikter som är avgörande för effektiv tillgångsförvaltning.

Denna data möjliggör en detaljerad förståelse i realtid av väginfrastrukturen, inklusive vägförhållanden, trafikskyltar, körfältsmarkeringar och gatubelysning. AI-systemet kan också användas för att övervaka och analysera pågående projekt, såsom vägarbeten och byggarbetsplatser. Genom att utnyttja dessa insikter kan städer och vägmyndigheter fatta bättre beslut, fördela resurser mer effektivt, minska CO₂-utsläppen, sänka kostnaderna och förbättra trafiksäkerheten.

Med en väletablerad marknadsnärvaro hjälper Univrses städer, vägtransportmyndigheter och entreprenörer att uppnå betydande årliga kostnadsbesparingar – potentiellt hundratals miljoner euro per land. Företagets egenutvecklade 3DAI™-lösning har redan implementerats av nationella vägnätsmyndigheter i sex europeiska länder, inklusive Sverige, Danmark, Norge, Nederländerna, Storbritannien och Italien.