Mobiele Sensor Units

Aanleiding

In de bestuursakkoorden van 2020 van de steden Roeselare, Brugge en Knokke-Heist wordt sterk ingezet op digitalisering en datagedreven beleid. Lokale besturen hebben steeds meer nood aan actuele en betrouwbare data om maatschappelijke uitdagingen rond mobiliteit, verkeersveiligheid, leefbaarheid en klimaat beter te begrijpen en op te volgen. Tegelijk beschikken veel steden en gemeenten over beperkte middelen, kennis en budget om op een systematische en grootschalige manier data te verzamelen in de publieke ruimte.

Daardoor blijft het monitoren van infrastructuur, verkeerssignalisatie en omgevingscondities vaak beperkt tot manuele controles of vaste meetpunten, waardoor informatie niet altijd volledig of tijdig beschikbaar is. Deze uitdaging stelt zich niet alleen bij grotere steden, maar ook bij kleinere lokale besturen die nieuwe technologieën willen inzetten, maar niet altijd de middelen hebben om zelf innovatieve oplossingen te ontwikkelen.

Met het project Mobiele Sensor Units werd op deze uitdaging ingespeeld door een flexibele sensoropstelling te ontwikkelen die eenvoudig in voertuigen kan worden geïntegreerd. Daarbij worden niet alleen klassieke sensoren ingezet, maar worden ook camera's beschouwd als volwaardige sensoren die via beeldanalyse waardevolle inzichten opleveren. Door voertuigen regelmatig door de stad te laten rijden, kan op een kostenefficiënte manier een brede en herhaalde dataverzameling over het volledige grondgebied worden gerealiseerd.

Het project werd opgesplitst in twee grote trajecten. Het eerste traject richtte zich op de inzet van sensoren en camera's voor het opbouwen en actualiseren van een kwalitatieve databank met verkeerssignalisatie. Het tweede traject focuste op de integratie en validatie van innovatieve sensoren die nieuwe mogelijkheden bieden voor het verzamelen van data in de publieke ruimte.

Kernresultaten

Optimalisatie van de verkeersbordendatabank

• Er werd een methodiek ontwikkeld om de verkeersbordendatabank efficiënt en actueel te houden. Deze werkwijze werd gedeeld met de partnersteden Brugge en Knokke-Heist, die ze zelfstandig hebben toegepast om hun eigen databanken verder uit te bouwen.
• De nieuwe aanpak vermindert de administratieve werklast bij het opbouwen en onderhouden van een kwalitatieve inventaris aanzienlijk. Voor complexe verkeersborden blijft manuele validatie echter noodzakelijk.

Ontwikkeling van de mobiele sensorunit

• Er werd een functioneel prototype ontwikkeld, uitgerust met RTK-GPS voor positionering op centimeterniveau en stereocamera's voor dieptebepaling en objectclassificatie.
• De resultaten tonen aan dat realtime detectie technisch haalbaar is. Het prototype is echter nog niet voldoende matuur om op grote schaal of in productieomgevingen te worden ingezet.
• Tijdens het project werden belangrijke inzichten verworven rond dataverwerking. Het volledig realtime versturen van videobeelden bleek technisch en financieel niet haalbaar, waardoor gekozen werd voor een efficiëntere semi-realtime aanpak met lokale buffering.
• Daarnaast werden AI-modellen, ontwikkeld voor de automatische detectie en classificatie van verkeersborden.

Slimme verkeersmetingen en innovatieve sensoren

• In Knokke-Heist werd succesvol een model ontwikkeld waarbij bestaande politiecamera's worden ingezet voor automatische verkeerstellingen. Hierdoor kunnen bezoekersstromen tijdens piekmomenten betrouwbaar worden gemeten met respect voor de privacy.
• Daarnaast werden verschillende innovatieve toepassingen onderzocht, waaronder grondwaterbemalingen, leefbaarheidsmetingen en fietscomfort. Hoewel deze concepten door budgettaire en privacy gerelateerde beperkingen niet werden gerealiseerd, vormen ze een waardevolle basis voor toekomstige projecten.

Drempels en uitdagingen

Tijdens de uitvoering van het project werden verschillende technische en organisatorische uitdagingen vastgesteld:

• De onverwachte stopzetting van de datacaptatie door Bpost eind 2023 maakte een herziening van de oorspronkelijke aanpak noodzakelijk en leidde tot een nieuwe marktverkenning.
• Standaard GPS-technologie bleek onvoldoende nauwkeurig om individuele verkeersborden betrouwbaar te positioneren.
• Het realtime verzenden van videostreams naar de cloud bleek technisch inefficiënt en financieel niet haalbaar door de hoge mobiele datakosten.
• Het verwerken van grote hoeveelheden beeldmateriaal veroorzaakte prestatieproblemen op de dataplatformen.
• Verschillende innovatieve toepassingen botsten op privacyvraagstukken of bleken operationeel moeilijk uitvoerbaar.
• Bij Brugge en Knokke-Heist bleek automatische synchronisatie met bestaande systemen niet mogelijk door het ontbreken van geschikte software-interfaces, waardoor manuele verwerking noodzakelijk bleef.
• De nauwkeurigheid van de cameradetectie daalde merkbaar onder ongunstige weersomstandigheden, zoals regen, mist en schemering.

Geleerde lessen

Het project leverde naast concrete resultaten ook belangrijke inzichten op voor toekomstige initiatieven:

• GIS-expertise is essentieel voor nauwkeurige geografische positionering; data-engineering alleen volstaat hiervoor niet.
• De complexiteit van hardware- en productontwikkeling werd onderschat. Toekomstige projecten dienen hiervoor meer tijd en middelen te voorzien.
• Volledig geautomatiseerde verwerking is momenteel nog niet haalbaar. Voor complexe objecten (zoals verkeersborden) blijft menselijke validatie noodzakelijk.
• Integratie met externe dataplatformen gebeurt best pas nadat voldoende inzicht bestaat in datavolumes, performantie en technische beperkingen.
• Maatschappelijke meerwaarde is niet altijd afhankelijk van maximale technische precisie. Ook minder nauwkeurige toepassingen kunnen waardevolle beleidsinzichten opleveren.
• Mobiele dataverzameling blijft een momentopname. Regelmatige herhaling is noodzakelijk om betrouwbare trends en evoluties vast te stellen.
• Een trackingmechanisme dat dubbele waarnemingen detecteert en enkel de kwalitatief beste beelden verwerkt, kan de efficiëntie en kwaliteit van de verwerking verder verhogen.
• Flexibiliteit en een iteratieve aanpak zijn cruciaal om tijdig bij te sturen wanneer technische, budgettaire of organisatorische beperkingen zich voordoen.
• Het verzamelen, annoteren, valideren en trainen van kwalitatieve datasets voor AI-modellen is een tijdsintensief proces. De benodigde tijd en inspanning voor het opbouwen van voldoende representatieve trainingsdata mogen niet worden onderschat en moeten van bij de start realistisch worden ingepland.

Meer informatie over het project, de doelstellingen, de partners en de gerealiseerde resultaten is terug te vinden op de projectpagina van Stad Roeselare.

Budget

850.441,46 euro