ユタ州はドローン画像と機械学習を使用して道路を改善

ユタ州運輸局 (UDOT) は、州内高速道路網の計画、設計、構築、整備、運用に関与しています。 また、幹線道路を整備し、州間高速道路などの交通移動を長距離にわたって管理しています。 UDOT のチーム メンバーは、優良な道路にはコストがかからず、先を見越した整備によって、現在と将来のインフラストラクチャの価値を最大限まで高められると考えています。

資産の場所と状態を把握することで、UDOT は一般旅行者に最大の効果を与える整備作業と建設作業を優先して、経費をさらに節約できます。 資産の場所のデータを、交通量、速度制限、事故の頻度と重大度などの他の道路特性と組み合わせることで、UDOT はプロジェクトに優先順位を付けて、その効用を最大化できます。 これらの資産のデジタル表現を可能な限り正確かつ最新にすることは、これらの資産の有用性を確保する上で非常に重要です。

UDOT は、モバイル LIDAR を使用して、舗道に関する情報を毎年収集しています。 舗道のストライピングとマーキングは、あらゆる重要な運転作業を含む他の交通制御デバイスとは異なる情報を道路の利用者に伝えるため、追跡することが必要不可欠です。 連邦高速道路局の最近の報告によると、米国は舗道のマーキングに年間約 20 億ドルを費やしています。 UDOT の空間技術マネージャーである Corey Unger 氏は、「これは人間の運転だけでなく、自動運転技術の発展にも非常に有益である」と語っています。

舗道のマーキングを維持することが必要不可欠ですが、変動の大きいユタ州の気候がこの作業を困難にしています。 刻々と変化する天候が、最適なストライピングを計画して実施することが困難な環境を作り出しているため、結果として UDOT は批判を受けました。

ライフ サイクル全体を通してストライピングなどの資産をより適切に維持するために、UDOT はデジタル配信でプロジェクトを管理する方法を変革しています。 これにより、現場のプロジェクト設計データを理解、表示、使用する新しい方法が組織にもたらされます。 UDOT のデジタル配信は、プロジェクト配信プロセスのデジタル化を意味します。 設計から建設までのプロジェクトのライフ サイクルの各段階でデータが編集されてデジタル配信され、今後のプロジェクトの計画と実施のために資産管理に返されます。 この変革の結果、UDOT は、ユタ州の交通網を構成するすべての物的資産のデジタル ツイン (つまり、デジタル表現) を構築することができました。 デジタル ツインは、効果的で拡張性のある情報管理戦略の一役を担っています。

Unger 氏は、「デジタル配信の目的は、UDOT に静的データの使用を止めさせ、代わりに動的データを使用してすべての資産の最新の状態を示すことである」と語っています。Site Scan for ArcGIS を使用してデータがドローンで収集されるため、エンド ツー エンドのドローン管理が実現され、ArcGIS システムと直接統合することができます。 これにより、UDOT は、デジタル配信プロセスから取得された設計データを、プロジェクトでの建設中および建設後に収集された画像と簡単に重ね合わせることが可能になります。 これは、プロジェクトの計画方法と実施方法の正確性を比較するのに役立ちます。

一例として、入港プロジェクトで収集されたドローン画像の標高と比較すると、UDOT は設計の表面で切り盛り解析を使用しています。 この種の解析では、道路の建設位置が高すぎるか低すぎるかが UDOT に通知されます。これは、いずれの場合でも、車両に危険な状況、不十分な排水、それ以外の考えられる危険な状況につながる可能性があるためです。 現地の標高が設計よりも低い場合は切り土と見なされ、現地の標高が設計よりも高い場合は盛り土と見なされます。

同じ方法を使用して、設計された舗道のマーキングとそれが実際に配置された場所を比較します。 このデータを活用すると、プロジェクト調査員は、デジタル ツインへの UDOT の取り組みの一環として、建設現場への設計済みフィーチャの配置を確認することができます。 これらの配置の正確性を確認したら、マーキングを組織の資産管理システムに入力できます。これにより、UDOT は資産のライフ サイクルを追跡し、それに応じて整備作業の計画とスケジュールを立てることができます。

Site Scan for ArcGIS でのデータ収集は、UDOT がデジタル ツインの実現に近づくのに役立ちましたが、このプロセスでは、手動で点検し、画像から資産を取得する必要がまだありました。 「パイロットが道路の一部を飛行した後で、アナリストが画像を取得し、ArcGIS Pro を使用して手動で舗道の状態とストライピング情報を描写する。 これには非常に時間がかかった」と Unger 氏は語っています。これを受けて、UDOT は、Site Scan for ArcGIS から収集したドローン データを GeoAI 機械学習モデルで直接送信し、ストライピング データをデータベースに直接抽出する自動化プロセスの調査に乗り出しました。

UDOT は、Esri Advantage Program 経由で Esri と連絡を取り、機械学習モデルの作成と、部署を資産の手動デジタル化から自動化プロセスを活用した資産の検出に移行させる手法の確立に関して支援を受けました。 Esri は UDOT のプログラムを確認した上で、ベスト プラクティスを実現するための推奨事項を提供しました。 Esri は、画像に適用できる事前定義済みの一連のルールを必要とするルールベースのモデリングを提案したため、探索的評価が実施されました。

Site Scan for ArcGIS に格納されている UDOT のドローン データの解析中に、チーム メンバーは 2 つの形式 (オルソ幾何補正画像と点群) を調査しました。 チーム メンバーは、車線のストライピング、ランブル ストリップ、舗道の損傷、標識、防音壁、交通障壁など、さまざまな資産に対応するワークフローでデータを評価することにしました。

最初のストライピング抽出結果から取得された一例として、道路のドローン画像は実線のストライピング ラインを示していますが、その調整解析画像は破線のストライピング ラインを示しています。 これは不十分なストライピング状態を示している可能性がありますが、さらに調査が必要です。 一方、修復が必要なエリアを特定できることから、このデータは整備チームにとって今なお貴重なデータとなっています。

暫定的結果から取得された別の例には、高速道路のセクションが示されています。ここでは、コンクリートのセクションとアスファルトのセクションを区別し、ストライピングを定義することができます。 繰り返しになりますが、これは路面の種類を正確に特定するための重要な情報であり、整備チームが修復作業を実施する路面の種類を把握するのに役立ちます。

リモート センシング データを AI および機械学習ターゲットと組み合わせて使用すると、インフラストラクチャ資産に関してより迅速かつ正確なデータ収集を実現できるので、インフラストラクチャの所有者は必要な整備によりすばやく取り組むことができます。 Site Scan for ArcGIS と Esri Advantage Program は、資産目録のデジタル化と機械学習モデルの開発に必要不可欠であり、継続して組織の時間とコストを節約し、コミュニティに有意義な運転体験をもたらします。

UDOT の目標は、ドローン画像から資産状態を抽出して、資産目録を可能な限り最新にする方法を自動化することです。 UDOT は、資産抽出プロセスを改良し、デジタル ツインの完成を円滑に進める取り組みの一環として、これらのモデルの使用を計画しています。 Site Scan for ArcGIS で収集されたディープ ラーニング、人工知能、UAV 画像は、UDOT の成功戦略の重要な要素となっています。