Kunstig intelligens skal gi oss sikrere vinterveier

Bare i Nord-Norge koster forsinkelser som følge av stengte veier 90 millioner kroner i året. Og da er ikke følgeforsinkelser eller tap på grunn av skadet last tatt med i regnestykket. Det reelle tapet er trolig langt større.

For å bøte på dette er forskere i SINTEF, på oppdrag fra Statens vegvesen (SVV), i gang med å utvikle et dataverktøy som skal gi entreprenører og sjåfører bedre informasjon om kjøreforholdene.

Mye å spare med bedre planlegging

– Bedre varsling av kjøreforholdene vil gjøre det mye enklere å planlegge, både for sjåførene og for de som drifter veien, forteller SINTEF-forsker Jo Skjermo.

Han leder prosjektet Den digitale fjellovergang, hvor planen å utvikle et varslingsverktøy i to versjoner, en for entreprenørene som drifter veien og en for sjåførene. Entreprenørene får hjelp til å planlegge driften, og kan sette inn ekstra mannskap når de vet at det vil bli krevende forhold. Sjåførene kan varsles i god tid om økt reisetid og fare for stenging eller kolonnekjøring.

I første omgang tar forskerne for seg tre fjelloverganger hvor det ofte er kolonnekjøring eller stengt om vinteren: E10 over Bjørnfjell, E6 over Saltfjellet og Riksvei 7 over Hardangervidda.

– Ved disse fjellovergangene kan man risikere å kjøre i mange timer for så å måtte snu med uforrettet sak. Da lønner det seg heller å bli hjemme til været bedrer seg, reise tidligere eller velge en annen rute, sier Skjermo.

Forutser både fart og kjøreforhold

Sammenhengen mellom lav fart og dårlige kjøreforhold, som mye vind, snø, snødriv, lav friksjon i underlaget, er dokumentert i flere studier. Når målt fart er redusert med opp mot 20 prosent i forhold til normal gjennomsnittsfart, er forholdene så dårlige at veien mest sannsynlig blir stengt. Første skritt på veien mot å varsle kjøreforhold, har derfor vært å forutse hvor fort bilene kommer til å kjøre.

Verktøyet som utvikles, er basert på en metode innen kunstig intelligens som kalles “Deep Learning”. Den henter informasjon fra værstasjoner på fjellovergangene, værvarsler fra met.no, historiske værdata og anonymiserte fartsdata.

– I tillegg til de “vanlige” værdataene som samles på alle SVVs værstasjoner, henter sensorer inn informasjon om siktforhold og friksjon på veien. Samlet gir det oss et nærmest komplett bilde av kjøreforholdene, sier forskeren.

Måtte lære modellen å se fram i tid

For å bruke denne informasjonen til å forutse bilenes fart, tok forskerne utgangspunkt i en modell som opprinnelig er utviklet for å klassifisere menneskers bevegelser ved bruk av sensorer.

– Når modellen skulle tilpasses et nytt bruksområde, var den største jobben å lære den opp til å ikke bare klassifisere, men å forutse hva som vil skje fram i tid. For å få til det har vi trent modellen med værdata, værmeldinger og fartsdata fra de siste to årene. I fremtiden vil også data fra driftslogger og reisetidsmålinger kunne benyttes til å trene modellen, forteller Skjermo.

I denne runden skulle modellen altså forutse bilenes gjennomsnittsfart, og resultatene ser lovende ut.

Målt fart er den sikreste parameteren for opplevd kjøreforhold. Denne figuren viser hvor godt AI-modellen forutser farten, og dermed kjøreforholdene. Oransje linje viser predikert hastighet, blå linje viser faktisk hastighet innenfor samme tidsrom. Ill.: Jo Skjermo VIS MER

Modellen presenteres i artikkelen “Predicting Driving Conditions at Mountain Crossings using Deep Learning” på “The 23rd IEEE International Conference on Intelligent Transportation Systems 2020”.

Forskerne er dermed ett skritt nærmere et dataverktøy som varsler kjøreforhold på vanskelige fjelloverganger. Målet er å ha en prototype klar innen utgangen av 2020 og endelig versjon innen utgangen av 2021.