Utah Melhora Estradas Usando Imagens de Drones e Aprendizagem Automática

O Departamento de Transportes de Utah (UDOT) é responsável pelo planejamento, projeto, construção, manutenção e operação do sistema rodoviário estadual. Ele mantém as principais estradas e movimenta o tráfego por longas distâncias, incluindo as interestaduais. Os membros da equipe do UDOT acreditam que estradas boas custam menos e, com preservação proativa, podem maximizar o valor de sua infraestrutura para hoje e para o futuro.

Compreender a localização e a condição dos ativos ajuda o UDOT a fazer cada dólar render mais, priorizando os esforços de manutenção e construção para proporcionar o maior bem ao público viajante. Ao combinar os dados de localização de ativos com outras características da estrada, como volume de tráfego, limite de velocidade e frequência e gravidade de acidentes, o UDOT pode priorizar projetos para maximizar sua utilidade. Garantir que a representação digital desses ativos seja a mais precisa e atualizada possível é fundamental para sua utilidade.

A UDOT usa lidar móvel para coletar informações de pavimentação todos os anos. Faixas e marcações de pavimento são importantes para rastrear, pois comunicam informações aos usuários da estrada como nenhum outro dispositivo de controle de tráfego, incluindo uma variedade de tarefas importantes de direção. Um relatório recente da Federal Highway Administration mostra que os EUA gastam aproximadamente $2 bilhões anualmente em demarcação de pavimentos. Corey Unger, o gerente de tecnologias espaciais de UDOT disse: “Não é apenas benéfico para os motoristas humanos, mas também para a tecnologia emergente de direção automática”.

Embora a manutenção da marcação do pavimento seja crítica, o clima variado de Utah torna essa tarefa difícil. A variação do clima cria um ambiente complicado para planejar e implementar o tipo ideal de faixas, e o UDOT recebeu críticas como resultado.

Para manter melhor os ativos como faixas durante todo o seu ciclo de vida, o UDOT está transformando a maneira como os projetos são gerenciados com a entrega digital. Isso oferece à organização novas maneiras de entender, visualizar e usar os dados de design do projeto no campo. A entrega digital para UDOT significa a digitalização do processo de entrega do projeto. Os dados são compilados e entregues digitalmente em cada estágio do ciclo de vida de um projeto, desde seu projeto até a construção e o retorno dos dados ao gerenciamento de ativos para planejamento e execução de projetos futuros. Essa transformação levou o UDOT a criar um gêmeo digital, ou uma representação digital, de todos os ativos físicos que compõem a rede de transporte de Utah. Faz parte de uma estratégia de gerenciamento de informações eficientes e escaláveis.

Unger disse: “O objetivo da entrega digital é afastar o UDOT dos dados estáticos e, em vez disso, usar dados dinâmicos para representar o estado atual de cada ativo”. Os dados são coletados por drone usando o Site Scan for ArcGIS, que permite o gerenciamento de drones de ponta a ponta e a integração direta com o sistema ArcGIS. Ele permite que o UDOT sobreponha facilmente dados de projeto do processo de entrega digital com imagens coletadas durante e após a construção de um projeto. Isso ajuda a comparar a precisão de como um projeto foi planejado e implementado.

Um exemplo é o uso do UDOT da análise de corte/preenchimento na superfície do projeto em comparação com a elevação das imagens do drone coletadas para um projeto de porta de entrada. Esse tipo de análise informa ao UDOT se a estrada foi construída muito alta ou muito baixa, pois qualquer cenário pode levar a condições perigosas para os veículos, drenagem deficiente ou outras situações potencialmente perigosas. Se a elevação no terreno for menor do que o projetado, será considerado um corte e, se a elevação no solo for maior que o projeto, será considerado um preenchimento.

O mesmo método é usado para comparar a marcação do pavimento projetado com o local onde ela foi realmente colocada. Esses dados oferecem ao inspetor do projeto a capacidade de verificar o posicionamento das feições projetadas na construção como parte do esforço de gêmeos digitais do UDOT. Após a precisão desses posicionamentos ser verificada, as marcações poderão ser inseridas no sistema de gerenciamento de ativos da organização, onde o UDOT pode rastrear o ciclo de vida do ativo e planejar e programar as tarefas de manutenção de acordo.

Embora a coleta de dados por meio do Site Scan for ArcGIS tenha ajudado o UDOT a se aproximar de um gêmeo digital, o processo ainda exigia que eles inspecionassem manualmente e extraíssem ativos das imagens. “Após os pilotos voassem seções da estrada, os analistas pegariam as imagens e delineariam manualmente as condições do pavimento e as informações de distribuição no ArcGIS Pro”, disse Unger. “Isso consumia muito tempo.” Assim, o UDOT começou a explorar um processo automatizado no qual poderia enviar dados de drones coletados do Site Scan for ArcGIS diretamente por meio de um modelo de aprendizagem automática - GeoAI e, em seguida, extrair dados de distribuição diretamente em seu banco de dados.

O UDOT entrou em contato com a Esri por meio do Esri Advantage Program para obter sua ajuda na criação de um modelo e metodologia de aprendizagem automática que levaria o departamento da digitalização manual de ativos para a detecção de ativos, alavancando processos automatizados. A Esri revisou o programa do UDOT e forneceu uma recomendação de melhores práticas. A Esri sugeriu modelagem baseada em regras, que requer um conjunto pré-definido de regras que podem ser aplicadas a uma imagem, então uma avaliação exploratória foi realizada.

Durante a análise dos dados de drone do UDOT armazenados no Site Scan for ArcGIS, os membros da equipe examinaram dois formatos: imagens ortorretificadas e nuvens de pontos. Eles decidiram avaliar os dados nos fluxos de trabalho correspondentes para vários ativos, incluindo faixas de faixa, faixas de ruído, degradação do pavimento, sinais, barreiras sonoras e barreiras de tráfego.

Em um exemplo dos resultados iniciais da extração de faixa, uma imagem de drone de uma estrada mostra uma linha de faixa sólida, enquanto sua imagem de análise de coordenação mostra linhas de faixa quebradas. Isso pode indicar condições ruins de faixa, mas requer um estudo mais aprofundado. No entanto, ainda são dados valiosos para as equipes de manutenção, de forma que possam direcionar as áreas onde os reparos podem ser necessários.

Outro exemplo de resultados preliminares mostra uma seção de rodovia onde é possível diferenciar entre seções de concreto e asfalto, como também, definir a faixa. Novamente, esta é uma informação importante para um inventário preciso do tipo de superfície e para ajudar as equipes de manutenção a saber em que tipo de superfície eles irão trabalhar para reparar.

Aproveitar dados de detecção remota juntamente com alvos de AI e aprendizagem automática permite uma coleta de dados mais rápida e precisa em ativos de infraestrutura, para que os proprietários de infraestrutura possam atender mais rapidamente às necessidades de manutenção. Site Scan for ArcGIS e Esri Advantage Program têm sido fundamentais para digitalizar o inventário de ativos e desenvolver modelos de aprendizagem automática que continuarão a economizar tempo e dinheiro da organização, além de proporcionar uma experiência de condução positiva para sua comunidade.

O objetivo do UDOT é ter um método automatizado para extrair condições de ativos de imagens de drones para manter o inventário de ativos o mais atualizado possível. O departamento planeja usar esses modelos como parte de seus esforços para refinar seu processo de extração de ativos e acelerar a conclusão do gêmeo digital. Aprendizagem detalhada, inteligência artificial e imagens de UAV coletadas com o Site Scan for ArcGIS são elementos importantes da estratégia de sucesso do UDOT.