Met de nieuwe TU Delft Outdoor Mobility Digital twin, OMDt, kunnen we alle verkeer op de campus monitoren en visualiseren, of het nu gaat om gemotoriseerd verkeer of om voetgangers en fietsers. Met die inzichten kunnen we het verkeer veiliger maken, maar we kunnen zo ook tijdig maatregelen treffen als het ergens te druk wordt. Voor dit complexe project heeft MICD negen partners, labs van TU Delft en externe partners, betrokken.

Duur
Vanaf juli 2020 (geen einddatum)

Partners (TU Delft)
Urban Mobility Observatory (UMO), Active Mode Lab (AM lab), AI-lab, DiTTlab

Partners (overig)
DoubleSense, Connection Systems, Xovis, Optima Networks, Argeleo

Om het verkeer op de TU Delft Campus te monitoren hebben we een modern, ‘privacy proof’ sensornetwerk geïnstalleerd. De gebruikte sensoren verzamelen visuele gegevens en zetten die meteen om in niet tot personen te herleiden verkeersinformatie – voetgangers en fietsers worden bijvoorbeeld als bewegende stippen weergegeven. Deze data combineren we met publiek beschikbare gegevens, zoals de openingstijden van bruggen en real-time locaties van treinen, bussen en trams.

Alle input visualiseren we in de Outdoor Mobility Digital twin, OMDt. Dit 3D-model beslaat de hele stad Delft, met meer gedetailleerde informatie over de TU Delft Campus. Op een overzichtelijke kaart geven heat maps (kleurcodering) aan hoe druk het is op een bepaalde locatie.

Voorspellingen

Het systeem is uiteindelijk bedoeld om voorspellingen te doen over de verkeersstromen en drukte op de campus, zowel op korte termijn (15 minuten vooruit) als op lange termijn (dagen, weken en maanden). Er bestaan al methoden die met succes verkeersstromen voorspellen voor autoverkeer, met behulp van kunstmatige intelligentie en machine learning. De onderzoekers proberen deze methoden nu ook proberen in te zetten voor (complexere) voetgangers- en fietsersstromen.

Corona

De OMDt heeft z’n nut al bewezen tijdens de coronapandemie. Het model hielp de verantwoordelijken op de campus om te bepalen of de anderhalvemetermaatregel wel te handhaven was en het signaleerde probleemlocaties. Deze inzichten zijn gebruikt om maatregelen te treffen, zoals reisadviezen (andere route, ander tijdstip of ander vervoermiddel kiezen), de invoering van eenrichtingsverkeer op fietspaden en aanpassingen van collegeroosters.

Mobiliteitslab

Maar deze inzichten zijn niet alleen nuttig tijdens een pandemie. Het is bijvoorbeeld ook belangrijk bij het doorrekenen van nieuwe ruimtelijke en mobiliteitsplannen. Daarom willen we het sensornetwerk laten uitgroeien tot een volwaardig ‘mobiliteitslab’ voor wetenschappelijk onderzoek. Momenteel werken we aan de ontwikkeling van nieuwe, goedkopere sensortechnologie die betrouwbare metingen oplevert.

Een verwante vraag is hoe we verschillende gegevensbronnen kunnen fuseren om zo tot nauwkeurigere informatie te komen. Dit is een moeilijke taak, gezien de diversiteit van de gegevens van verschillende sensoren, maar het kan potentieel leiden tot een hogere kwaliteit van de informatie – en zelfs nieuwe informatie genereren. Door bijvoorbeeld gegevens van openbaarvervoersbedrijven te combineren met informatie van de sensoren, zouden we nauwkeuriger schattingen kunnen maken van de bezettingsgraad van bussen die de campus aandoen.