Юта улучшает состояние дорог с помощью изображений с беспилотников и машинного обучения

Департамент транспорта штата Юта (UDOT) отвечает за планирование, проектирование, строительство, техническое обслуживание и эксплуатацию системы автомобильных дорог штата. Он обслуживает основные дороги и обеспечивает перемещение транспорта на большие расстояния, включая межштатные автомагистрали. Члены команды UDOT считают, что хорошие дороги в конечном итоге стоят дешевле, и при активном сохранении они могут максимизировать ценность своей инфраструктуры на сегодняшний день и в будущем.

Понимание местоположения и состояния активов помогает UDOT экономить каждый доллар, уделяя приоритетное внимание техническому обслуживанию и строительству, чтобы обеспечить максимальные удобства путешествующей публике. Комбинируя данные о местоположении объектов с другими характеристиками дорожного полотна, такими как объем трафика, ограничение скорости, частота и серьезность аварий, UDOT может расставлять приоритеты в проектах, чтобы максимально повысить их полезность. Обеспечение того, чтобы цифровое представление этих активов было максимально точным и актуальным, имеет решающее значение для их полезности.

UDOT использует мобильный лидар для сбора информации о дорожном покрытии на ежегодной основе. Дорожную разметку и знаки на тротуарах очень важно отслеживать, поскольку они передают информацию участникам дорожного движения, как никакое другое средство управления дорожным движением, включая различные важные задачи обеспечения поездок. Недавний отчет Федерального управления автомобильных дорог показывает, что США ежегодно тратят на нанесение дорожной разметки около 2 миллиардов долларов. Кори Унгер, менеджер по пространственным технологиям в UDOT, сказал: "Это полезно не только для водителей-людей, но и для развивающихся технологий автопилотирования".

В то время как нанесение дорожной разметки имеет решающее значение для поддержания движения, суровый климат штата Юта усложняет эту задачу. Меняющаяся погода создает сложные условия для планирования и внедрения оптимального типа разметки, и в результате UDOT подвергался критике.

Чтобы лучше поддерживать такие активы, как дорожная разметка, на протяжении всего их жизненного цикла, UDOT меняет способ управления проектами с помощью цифровых технологий. Это предлагает организации новые способы понимания, просмотра и использования данных по проектам в полевых условиях. Цифровая поддержка для UDOT означает перевод процесса реализации проекта в цифровую форму. Данные собираются и передаются в цифровом виде на каждом этапе жизненного цикла проекта, от его начального проектирования до строительства и возврата данных в управление активами для планирования и выполнения будущих проектов. Эта трансформация привела UDOT к созданию цифрового двойника (близнеца), или цифрового представления всех физических активов, составляющих транспортную сеть Юты. Это часть мощной и масштабируемой стратегии управления информацией.

Унгер сказал: “Цель работы с данными в цифровой форме — отказ UDOT от статических данных и использование динамических данных для представления текущего состояния каждого актива”. Данные собираются с помощью беспилотников с использованием приложения Site Scan for ArcGIS, которое обеспечивает комплексное управление БПЛА и прямую интеграцию с системой ArcGIS. Это позволяет UDOT легко накладывать проектные данные, полученные в процессе цифровой доставки, на изображения, собранные во время и после реализации проекта. Это помогает сравнить точность того, как был спланирован и реализован проект.

Одним из примеров является использование UDOT анализа насыпи/выемки по проектной поверхности в сравнении с высотой, полученной с помощью беспилотника при реализации проекта по строительству порта въезда. Такого рода анализ информирует UDOT о том, была ли дорога построена слишком высоко или слишком низко, поскольку любой из сценариев может привести к опасным условиям для транспортных средств, плохому дренажу или другим потенциально опасным ситуациям. Если высота на местности ниже проектной, то это считается выемкой, а если высота на местности выше проектной, то это считается насыпью.

Тот же метод используется для сравнения разработанной разметки дорожного покрытия с тем местом, где она была нанесена на самом деле. Эти данные дают инспектору проекта возможность проверить размещение спроектированных объектов в рамках проекта UDOT по созданию цифрового двойника. Как только точность этих размещений будет проверена, маркировку можно будет ввести в систему управления активами организации, где UDOT сможет отслеживать жизненный цикл активов и соответствующим образом планировать задачи по техническому обслуживанию.

Хотя сбор данных с помощью Site Scan for ArcGIS помог UDOT приблизиться к созданию цифрового двойника, процесс по-прежнему требовал ручного осмотра и извлечения активов из изображений. “После того, как пилоты облетали участки дорог, аналитики получали снимки и вручную определяли состояние дорожного покрытия и информацию о разметке в ArcGIS Pro”, — сказал Унгер. “Это отнимало очень много времени”. Итак, UDOT начал изучать автоматизированный процесс, при котором он мог бы отправлять данные беспилотника, собранные с помощью Site Scan for ArcGIS, непосредственно через модель машинного обучения GeoAI, а затем извлекать данные по разметке прямо в свою базу данных.

UDOT обратился в компанию Esri в рамках программы Esri Advantage Program, чтобы получить ее помощь в создании модели машинного обучения и методологии, которые позволят департаменту перейти от ручной оцифровки активов к обнаружению активов с использованием автоматизированных процессов. Компания Esri рассмотрела программу UDOT и предоставила рекомендации по ее улучшению с учетом передового опыта. Esri предложила моделирование на основе правил, для которого требуется заранее определенный набор правил, которые могут быть применены к изображению, поэтому была проведена их предварительная оценка.

В ходе анализа данных с беспилотников UDOT, хранящихся в программе Site Scan for ArcGIS, члены команды изучили два формата: ортотрансформированные снимки и облака точек. Они решили оценить данные в соответствующих рабочих процессах для различных активов и объектов, включая разметку полос движения, полосы с повышенным звуком, дефекты дорожного покрытия, знаки, барьеры шумозащиты и дорожные заграждения.

В одном примере из результатов первоначальной разметки полос на изображении дороги, полученном с помощью беспилотника, показана сплошная линия у дорожной полосы, в то время как на связанном анализируемом изображении видны прерывистые линии между полосами движения. Это может указывать на плохие условия нанесения или зачистки разметки, но требует дальнейшего изучения. Тем не менее, это по-прежнему ценные данные для бригад технического обслуживания, чтобы они могли определить области, где может потребоваться дополнительный ремонт.

На другом примере из полученных предварительных результатов показан участок автострады, где можно провести различие между бетонными и заасфальтированными участками, а также определить полосу движения с разметкой. Опять же, это важная информация для точного определения типа поверхности и для того, чтобы помочь бригадам технического обслуживания определить, с каким типом поверхности они будут работать при проведении ремонта.

Использование данных дистанционного зондирования в сочетании с целевым применением искусственного интеллекта и машинного обучения позволяет быстрее и точнее собирать данные об инфраструктурных активах, чтобы их владельцы могли быстрее удовлетворять потребности в техническом обслуживании. Site Scan for ArcGIS и программа Esri Advantage Program сыграли решающую роль в цифровой инвентаризации активов и разработке моделей машинного обучения, которые будут и впредь экономить время и деньги организации, а также обеспечивать положительный опыт удобного вождения по дорогам для сообщества.

Цель UDOT состоит в том, чтобы обладать и применять автоматизированный метод извлечения состояния активов из снимков, полученных с помощью беспилотников, для поддержания инвентаризации активов в максимально актуальном состоянии. Департамент планирует использовать эти модели в рамках своих усилий по совершенствованию процесса извлечения данных по активам и ускорению завершения создания цифрового двойника. Глубокое обучение, искусственный интеллект и снимки с БПЛА, собранные с помощью Site Scan for ArcGIS, являются важными элементами стратегии успеха UDOT.