innovationssamarbejde

Prædiktiv vedligeholdelse af veje og stier

Prædiktiv vedligeholdelse af veje og stier

Hvad er udfordringen?

Vores nuværende vejesystemer bliver belastet i højre grad end nogensinde, samtidigt med at kommuner oplever en række budget skæringer og besparelsesrunder. Projektet undersøger metoder at bruge AI til at optimere og automisere nuværende processer omkring inspektion og organisering af vedligeholdelses opgaver.

Drift og vedligeholdelse af veje- og cykelinfrastruktur er en vigtig kommunal opgave, som kræver viden om skadetyper, vejens opbygning samt en forståelse for, hvor de mest alvorlige, og dermed farlige, skader opstår. I dag har kommuner en udfordring, idet der ikke er ressourcer nok til at holde alle vejene vedlige hele tiden, og dokumentationen og vidensdeling er generelt svag.

En typiske proces i dag for drift af veje indebærer;

  • manuelle undersøgelser efter fast tidsplan (typisk ved sæsonskift)
  • analog logning af fejl og mangel
  • produktion af jobliste med uklar eller ingen prioritering
  • manuel eksekvering af selve arbejdet.

Hvilke resultater og leverancer forventer vi af innovationssamarbejdet?

Ved brug af Computer Vision og AI kan et system regne over en video af vejene og logge eventuelle fejl som; skade-type, retning/dybden, Geolocation, osv. som senere kan filtreres og sorteres på en måde, hvor fx ruter kan optimeres, opgaver kan sorteres efter alvorlighed, typen af udstyr krævet for at lave arbejdet mm.

Forventede effekter af innovationssamarbejdet

  • En kortlægning over de data der bliver brugt til at udvikle modellen, og som kan anvendes af andre (Hvilke data er mest vigtige,  Type data, hvor kommer de fra og hvordan kan de hentes)
  • En prædiktions pipeline der tager en liste af ovenstående data objekter, samt øvrig lokaliseret tidsrække data som input, og som produceres en liste i samme format som output, dog noget tid i fremtiden.
  • En robust metode til at vurdere prædiktionens nøjagtighed. Der skal vides, hvor præcis en prædiktion er, som kan bruges til input til forbedringer. Dvs. sammenligning mellem en prædikeret datasæt og den reelt, observerede datasæt.
  • En måde til at visualisere det prædikterede datasæt. Det kunne være et eksisterende værktøj/metode fra én af projektets partnere, en standard visning i DOLL Digital By Model regi (Grafana, kort-baseret visning), eller en ny opbygget interface.

Bevilling

Partnere

Pluto Technologies

Projektperiode
december 2023 - oktober 2024

Fokusområde
Intelligente bygninger & byer

Budget
850.000
400.000 i støtte fra WE BUILD DENMARK

Kontaktperson
Ben Cahill

Relaterede
innovationssamarbejder

Digital borgerinddragelse i vilde problemer

Projektperiode
marts 2023
-
september 2023
Fokusområde
Intelligente bygninger & byer

Bæredygtig drift af bygninger

Projektperiode
august 2022
-
december 2022
Fokusområde
Intelligente bygninger & byer

Bæredygtig udendørsbelysning til forbedring af biodiversiteten

Projektperiode
januar 2022
-
september 2024
Fokusområde
Intelligente bygninger & byer

WE BUILD DENMARK

Liljens Kvarter 2

2620 Albertslund

info@webuilddenmark.dk

CVR-nr.: 41857331

Uddanelses- og Forskningsministeriet
Danmarks Erhvervsfremmebestyrelse
Danmarks Erhvervsfremmebestyrelse