The purpose of digital delivery is to move UDOT away from static data and instead use dynamic data to represent the current state of every asset.
犹他州使用无人机影像和机器学习改善道路
摘要
客户
犹他州交通部 (UDOT)
挑战
由于犹他州气候多变,最佳道路划线规划和实施存在困难,而 UDOT 缺乏有关道路状况的最新数据来有效维护道路。
解决方案
UDOT 开始使用 Site Scan for ArcGIS 通过无人机收集数据以开发数字孪生体。 UDOT 还通过 Esri 优势计划与 Esri 合作,Esri 帮助其创建机器学习模型和方法,实现了该部门从手动资产数字化到利用自动化流程的资产检测的转变。
结果
通过无人机影像和数字交付,UDOT 获得了动态数据,这些数据可以表示每项资产的当前状态。 这些数据与持续自动化和机器学习结合,UDOT 可以更有效地维护其道路以实现最佳驾驶体验。
犹他州交通部 (UDOT) 负责规划、设计、建设、维护和运营州际公路系统。 该部门需要维护主要道路,并管理州际公路等长距离运输的交通。 UDOT 团队成员坚信状态良好的道路可以降低成本,并且通过积极维护,他们可以最大限度地发挥基础设施在当今和未来的价值。
了解资产的位置和状况有助于 UDOT 通过优先维护和建设工作来为出行人员提供最大的优势,从而降低成本。 通过将资产位置数据与其他道路特征(例如交通量、限速、事故频率和严重程度)相结合,UDOT 可以确定工程优先级并最大化公共设施利用率。 确保尽可能准确和最新的资产数字表示对于其实用性至关重要。
挑战
UDOT 每年使用移动激光雷达收集路面信息。 路面划线和标记对于追踪至关重要,它们可向道路使用者传达信息(包括各种重要的驾驶任务),而这是其他交通控制设备无法比拟的。 联邦公路管理局最新报告显示,美国每年在路面标记上花费的金额约为 20 亿美元。 UDOT 空间技术经理 Corey Unger 说:“这不仅有利于人类驾驶员,也有利于新兴的自动驾驶技术。”
虽然路面标记的维护至关重要,但犹他州多变的气候使这项任务增加了难度。 多变的天气提高了最佳划线类型的规划和实施难度,因此 UDOT 受到了负面评价。
解决方案
为了在整个生命周期内更好地维护划线等资产,UDOT 正在通过数字交付改变工程管理方式。 这为组织提供了在外业了解、查看和使用工程设计数据的新方法。 UDOT 的数字化交付意味着工程交付过程的数字化。 在工程生命周期的各个阶段,从设计到施工,再到数据返回到资产管理以用于未来工程规划和执行,数据都以数字方式进行编译和交付。 通过这种转变,UDOT 为犹他州交通网络的所有实物资产创建了数字孪生体或数字表示。 这是是强大且可扩展的信息管理策略的一部分。
Unger 说,“数字交付的目的是让 UDOT 远离静态数据,并使用动态数据来表示每项资产的当前状态。”数据由无人机使用 Site Scan for ArcGIS 收集,支持端到端的无人机管理和与 ArcGIS 系统的直接集成。 它允许 UDOT 轻松地将数字交付过程中的设计数据与工程施工期间和施工后收集的影像叠加起来。 这有助于比较工程计划和实施方式的准确性。
例如,UDOT 使用挖/填分析,将设计表面与无人机为工程入口收集的无人机影像的高程进行比较。 通过这种分析,UDOT 可以确定道路是建得太高还是太低,因为这两种情况都可能导致车辆危险状况、排水不良或其他潜在危险情况。 如果地面高程低于设计高程,则视为挖方,如果地面高程高于设计高程,则视为填方。
使用相同的方法将设计的路面标记与实际放置的位置进行比较。 作为 UDOT 数字孪生体工作的一部分,这些数据允许工程检查员验证设计要素在施工中的位置。 验证这些放置位置的准确性后,可将标记输入组织的资产管理系统,UDOT 可以在其中追踪资产的生命周期并相应地计划和安排维护任务。
虽然通过 Site Scan for ArcGIS 收集数据,UDOT 可以向实现数字孪生体迈进一步,但该过程仍然需要他们手动检查并从影像中提取资产。 “在飞行员飞行部分道路后,分析师将拍摄影像并在 ArcGIS Pro 中手动描绘路面状况和划线信息,”Unger 说。 “这非常耗时。”因此,UDOT 开始探索一种自动化流程,它可以直接通过 GeoAI 机器学习模型发送从 Site Scan for ArcGIS 收集的无人机数据,然后将划线数据直接提取到其数据库中。
UDOT 通过 Esri 优势计划与 Esri 合作,Esri 帮助其创建机器学习模型和方法,实现了该部门从手动资产数字化到利用自动化流程的资产检测的转变。 Esri 审查了 UDOT 的计划并提供了最佳做法建议。 Esri 建议使用基于规则的建模,这需要一组可应用于图像的预定义规则,因此执行了探索性评估。
在分析存储在 Site Scan for ArcGIS 中的 UDOT 无人机数据期间,团队成员检查了两种格式:正射影像和点云。 他们决定评估各种资产的相应工作流中的数据,包括车道划线、减速振动带、路面损坏、标志、音障和交通障碍。
在初始划线提取结果的一个示例中,道路的无人机图像显示一条实线,而其协调分析图像显示虚线。 这可能表明划线状况差,但需要进一步研究。 然而,对于维护团队来说,它仍然是有价值的数据,因此他们可以定位可能需要维修的区域。
初步结果的另一个示例显示了一段高速公路,其中可以区分混凝土和沥青路段,并定义划线。 同样,这是准确清点表面类型的重要信息,并且可以帮助维护团队了解他们将要维修的表面类型。
结果
利用遥感数据与人工智能和机器学习目标相结合,可以更快、更准确地收集基础设施资产的数据,因此基础设施所有者可以更快地满足维护需求。 Site Scan for ArcGIS 和 Esri 优势计划对于资产库存数字化和开发机器学习模型至关重要,这些模型可以持续为组织节省时间和金钱,同时为其社区提供积极的驾驶体验。
UDOT 的目标是拥有一种从无人机影像中提取资产状况的自动化方法,以尽可能保持资产库存的实效性。 该部门计划使用这些模型作为其改进资产提取流程和加速完成数字孪生体工作的一部分。 深度学习、人工智能和使用 Site Scan for ArcGIS 收集的无人机影像是 UDOT 成功战略的重要元素。
需要帮助寻找可行解決方案?
安排您与我们一位经验丰富的销售顾问对话 告诉我们您现在如何使用影像和遥感数据,我们将为您讲解综合地理空间系统如何助力您开展后续工作。