A Digital Twin Framework for Traffic-Aware UAV Pavement Monitoring without Lane Closure

Sintesi Tecnica: Un Framework di Digital Twin per il Monitoraggio del Pavimento Stradale tramite UAV Consapevole del Traffico Senza Chiusura delle Corsie

Definizione del Problema
I Veicoli Aerei Non Presidiati (UAV) offrono una soluzione promettente per il monitoraggio ad alta risoluzione del manto stradale, potenzialmente riducendo i costi e i rischi associati alle tradizionali ispezioni stradali. Tuttavia, l'impiego nel mondo reale in ambienti urbani presenta sfide significative. Il traffico, i pedoni e le occlusioni temporanee ostacolano frequentemente la visibilità dei difetti stradali (come buche e crepe), compromettendo la qualità dell'ispezione. I metodi di ispezione convenzionali si affidano spesso alla valutazione manuale o a pipeline di computer vision statiche che faticano in ambienti dinamici. Inoltre, la ricerca esistente su simulazione e digital twin in questo dominio si è concentrata ampiamente su aspetti isolati, come la generazione di dati sintetici per il rilevamento delle buche o la pianificazione di percorsi statici, mancando di un testbed unificato che integri la generazione di difetti ad alta fedeltà, flussi di traffico dinamici, navigazione autonoma degli UAV e strategie di recupero adattive per le regioni ocluse.

Metodologia
Gli autori propongono un framework di digital twin basato su Unity, progettato per simulare il monitoraggio del manto stradale tramite UAV consapevole del traffico senza richiedere la chiusura delle corsie. La metodologia comprende quattro componenti integrate:

1. Ambiente di Simulazione: Una rete stradale urbana 3D configurabile è stata sviluppata in Unity, caratterizzata da difetti stradali generati proceduralmente (buche, crepe singole e crepe a pelle di coccodrillo), veicoli dinamici e pedoni. L'ambiente supporta sia un veicolo a terra che un UAV (modellato su un DJI Phantom 4) dotato di telecamere virtuali. L'UAV opera autonomamente utilizzando il sistema NavMesh di Unity e l'algoritmo di pathfinding A*, con la fluidificazione della traiettoria fornita dall'Algoritmo Funnel.
2. Pipeline di Percezione: È stata implementata un'approccio di deep learning a due stadi per il rilevamento e la classificazione in tempo reale:
   • Stadio 1 (Localizzazione): Un rilevatore leggero YOLOv8n identifica cinque classi: Difetti Stradali (aggregati), Persone e Auto. Questo stadio viene eseguito in tempo reale per localizzare gli oggetti e determinare la visibilità.
   • Stadio 2 (Classificazione): Un classificatore leggero distingue i tipi specifici di difetto: Crepa Singola, Crepa a Pelle di Coccodrillo e Buche.
     I modelli sono stati addestrati su un dataset multi-fonte composto da sei dataset pubblici di danni stradali basati su UAV, aumentati con dati sintetici dalla simulazione per includere agenti del traffico. Il dataset finale conteneva oltre 46.000 immagini e 120.000 bounding box annotati.
3. Logica del Digital Twin: Il digital twin è definito come una replica virtuale che aggiorna continuamente gli stati della strada, dell'UAV e degli agenti del traffico. Utilizza un punteggio di visibilità ($o_{s,t}$) per ogni segmento stradale. Quando la visibilità di un segmento scende sotto una soglia a causa dell'occlusione, il sistema attiva una delle tre politiche di recupero adattivo:
   • Hover-and-Recheck (R hovering e ricontrollo): L'UAV rimane stazionario per una breve durata per consentire la rimozione delle occlusioni temporanee.
   • Micro-repositioning (Micro-riposizionamento): L'UAV esegue un piccolo spostamento per migliorare l'angolo di visuale pur rimanendo vicino al bersaglio.
   • Skip-and-Revisit (Salto e rivisitazione): L'UAV salta il segmento ocluso e vi ritorna più tardi durante la missione.
4. Configurazione Sperimentale: Gli esperimenti sono stati condotti attraverso diverse densità di traffico (bassa, media, alta) e diverse altitudini di volo (6m, 12m, 18m). Le prestazioni sono state valutate in termini di copertura, tempo di missione, consumo energetico e rapporto di rivisitazione.

Contributi Chiave

• Testbed Unificato Consapevole del Traffico: Il documento introduce un nuovo framework di simulazione che valuta congiuntamente le missioni di ispezione UAV, la generazione procedurale di difetti, il traffico dinamico/occlusione e le strategie di recupero adattivo, colmando una lacuna nella letteratura esistente dove questi elementi sono spesso studiati isolatamente.
• Framework di Recupero Adattivo: Gli autori definiscono e implementano un'architettura di digital twin capace di selezionare le politiche di recupero dinamicamente in base ai vincoli di visibilità in tempo reale, andando oltre la pianificazione statica del percorso.
• Integrazione della Pipeline di Percezione a Due Stadi: L'integrazione di un rilevatore YOLOv8n leggero con un classificatore specializzato consente una percezione efficiente e in tempo reale all'interno del ciclo di simulazione, bilanciando accuratezza e vincoli computazionali.
• Dataset Completo: La creazione di un dataset fuso e aumentato che include sia i difetti stradali che gli agenti del traffico (pedoni/veicoli) specificamente adattato per scenari di ispezione consapevoli del traffico.

Risultati

• Prestazioni della Percezione: Sul test set del simulatore, l'intera pipeline a due stadi ha raggiunto un'accuratezza complessiva del 99,26% sulle cinque classi. Tutte le classi hanno raggiunto F1 score superiori a 0,96, con la classe "Auto" che ha ottenuto precisione, recall e F1 score perfetti. La classe "Crepa a Pelle di Coccodrillo" ha mostrato le prestazioni più basse (F1: 0,9693), a causa della somiglianza visiva con le crepe singole.
• Selezione del Modello: YOLOv8n è stato selezionato come il rilevatore ottimale grazie al suo favorevole compromesso tra accuratezza (mAP@0.5 di 0,866) e velocità di inferenza (273,47 FPS), rendendolo adatto ai vincoli in tempo reale del digital twin.
• Efficacia della Strategia di Recupero:
  • Altitudine di Volo: L'altitudine ha avuto un'influenza più forte sulla copertura dell'ispezione rispetto alla densità del traffico.
  • Traffico Basso: La strategia Skip-and-Revisit è stata la più efficace, raggiungendo una copertura del 97,95% a media altitudine con una penalità minima sul tempo di missione.
  • Traffico Medio/Alto: La strategia Hover-and-Recheck si è dimostrata la più costante, raggiungendo una copertura del 97,03% ad alta altitudine in condizioni di traffico medio. Al contrario, la strategia Skip è diventata inaffidabile in condizioni di traffico denso e bassa altitudine (scendendo al 50,19% di copertura sotto traffico elevato a bassa altitudine) a causa delle ripetute occlusioni.
  • Micro-repositioning: Questa strategia ha generalmente prodotto una copertura inferiore e tempi di missione significativamente più alti rispetto alle altre strategie.

Significatività e Rivendicazioni
Il documento sostiene che il framework di digital twin proposto fornisca una piattaforma preziosa per lo sviluppo e la valutazione di strategie di ispezione UAV consapevoli del traffico prima del dispiegamento nel mondo reale. Simulando le occlusioni dinamiche e testando le politiche di recupero adattivo, il framework dimostra che i digital twin possono supportare l'ottimizzazione delle missioni di ispezione per massimizzare la copertura minimizzando al contempo i costi di energia e tempo. Gli autori sottolineano che il loro lavoro colma il divario tra il rilevamento controllato dei difetti e le complessità degli ambienti urbi dinamici, offrendo un approccio strutturato per validare l'autonomia degli UAV prima dei test fisici sul campo. L'implementazione completa e le reti addestrate sono messe a disposizione per supportare ulteriori ricerche in questo dominio.