Grâce aux applications pour smartphone, l'IA peut combler l'évaluation de l'évaluation des routes
Esquiver des nids-de-poule est une routine familière pour les conducteurs. Mais, derrière chaque bosse et fissure dans le trottoir est un problème plus important: de nombreuses communautés n'ont pas les outils et les données dont ils ont besoin pour maintenir leurs routes efficacement. Les évaluations traditionnelles des chaussées reposent sur des véhicules spécialisés coûteux équipés de capteurs haute résolution. Ces ressources sont généralement réservées aux principales autoroutes et aux couloirs à trafic élevé, laissant les rues du quartier et les routes locales sous-surmontées et sous-entretenues.
Des chercheurs de l'Université Carnegie Mellon ont développé une solution à faible coût et alimentée par l'IA conçue pour combler cet écart. En utilisant une application pour smartphone créée par la société de vision par ordinateur Roadbotics, aux côtés de données open source telles que les conditions météorologiques, les niveaux de trafic, les caractéristiques de l'environnement bâti et les informations socioéconomiques, l'équipe a pu prédire la détérioration des chaussées sur des réseaux routiers entiers. Lorsqu'elle est installée dans un véhicule standard, l'application collecte l'imagerie routière, qui analyse ensuite les modèles pour évaluer les conditions de la chaussée actuelles et prévoir comment ils changeront avec le temps.
« La méthode offre une couverture complète, permettant une analyse de tous les segments de route dans l'ensemble du réseau et sur plusieurs échelles de temps », a déclaré Tao Tao, chercheur postdoctoral au Département de génie civil et environnemental et auteur principal de l'étude publiée dans le Journal of Infrastructure Systems.
Testé dans neuf communautés diverses à travers les États-Unis, le modèle a démontré de fortes performances dans la prévision des cotes des conditions de la chaussée et leur taux de déclin. Contrairement aux méthodes traditionnelles, cette approche prend également en compte la façon dont des facteurs tels que la classification des routes, le climat et la démographie du quartier interagissent pour influencer la tenue de la route. Ces idées ont le potentiel de donner aux urbanistes et aux services de travail public une compréhension plus complète de l'endroit et pourquoi la détérioration se produit.
« En combinant l'IA avec des données facilement disponibles, nous permettons aux communautés de toutes tailles de gérer de manière proactive les infrastructures routières avec une plus grande précision et abordabilité », a déclaré Sean Qian, professeur de génie civil et environnemental.
Contrairement aux méthodes actuelles, l'impact serait une grande portée. Dans les petites villes et les zones rurales où la capacité technique et le budget sont souvent limitées, l'outil offre un moyen pratique à faible coût d'évaluer les conditions routières sans avoir besoin d'un équipement coûteux.
Dans les villes de taille moyenne, essayant d'étirer les budgets des infrastructures, il aide à identifier les routes les plus à risque au cours des prochaines années et où l'entretien préventif aura le plus grand rendement. Et dans les grandes zones urbaines, il soutient une prise de décision plus équitable en incluant des quartiers résidentiels et à faible revenu qui sont souvent exclus des évaluations traditionnelles.
Qian et Tao prévoient d'affiner davantage le modèle en les adaptant à des communautés spécifiques et en incorporant des sources de données supplémentaires, telles que l'âge de la route et les matériaux de la chaussée. L'objectif est de créer un système flexible et évolutif qui permet aux communautés de prendre des décisions d'infrastructure plus intelligentes avant même la formation de nids-de-poule.
« Cette approche envisage un avenir où chaque communauté – indépendante de la taille ou des ressources – peut exploiter des informations axées sur les données pour gérer et préserver de manière proactive leur infrastructure routière », a déclaré Tao.
Le document a récemment été sélectionné comme article de choix de l'éditeur par le Journal of Infrastructure Systems et mis en évidence par l'American Society of Civil Engineers.
