Auto driverless, robotaxi, manutenzione predittiva, sicurezza dei servizi e infrastrutture: la rivoluzione in atto dell’intelligenza artificiale nei trasporti

Veicoli autonomi, mobilità urbana, autostrade, trasporto aereo, ferrovie e logistica: non c’è un settore dei trasporti che la quarta rivoluzione industriale, quella dell’intelligenza artificiale, non abbia investito in pieno. Tra realtà concrete e sperimentazioniw in atto, quello della Ia non è più solo uno scenario avveniristico ma talmente incombente e immanente che la Relazione annuale al Parlamento delll’Autorità dei Trasporti. presentata nei giorni scorsi,ha presso le mosse partendo proprio da questo cambio di paradigma e dalla miriade di implicazioni che comporta, in primis, nella prospettiva dell’Art sul fronte della regolazione. Nei trasporti. le applicazioni dell’Ia si differenziano a seconda delle diverse modalità e registrano livelli di maturità e diffusioni variabili tra contesti nazionali e internazionali.

Dal Machine Learning ai Big Data: le tecnologia Ai applicate ai trasporti

Ma quali sono le tecnologie e le applicazioni specifiche dell’intelligenza artificiale nel contesto dei trasporti? L’Art conta cinque fondamentali pilastri. Si parte dal Machine Learning, la tecnica che consente ai sistemi di apprendere dai dati storici per effettuare previsioni e o classificazioni e utilizzata per la manutenzione produttiva di treni e bus l’ottimizzazione delle tratte e l’analisi dei ritardi. Sottocategoria del Machine Learning, è il Deep Learning, tecnologia che utilizza reti neurali complesse per elaborare dati non strutturati con immagini o video e trova applicazione nel riconoscimento immagini per la sorveglianza delle infrastrutture e nell’analisi video per il rilevamento automatico di anomalie.  C’è il Natural Language Processing (Nlp): si tratta di un’area della Ia che permette ai sistemi di comprendere e generare linguaggio naturale: è utilizzata, ad esempio, nei Chatbot per il supporto ai passeggeri e nella classificazione Automatica dei reclami e delle richieste degli utenti. Modelli avanzati di Nlp  sono i Large Language Model (LLM), addestrati su grandi quantità di testi in grado di generare risposte complesse e interagire con gli utenti in modo fluido e contestualizzato. Gli LLM possono supportare servizi avanzati di assistenza virtuale sintesi normativa e analisi documentali. Ci sono poi i  Big data,  insieme di tecniche tecnologie per la gestione e analisi dei grandi volumi di dati eterogenei provenienti da IOT, GPS, sistemi di bigliettazione elettronica, sensori, social media: tutto questo consente di ottenere una visione integrata delle dinamiche della mobilità a supporto di operazioni operative e strategiche.

Treni, aerei, traporto locali, porti e logistica:  sperimentazioni e applicazione dell’Ia nei diversi comparti

Come si è detto, c’è un’applicazione specifica di queste tecnologie nelle diverse modalità di trasporto. Anche in questo caso, la Relazione dell’Art ne tratteggia un quadro sintetico e completo, mettendo anche confronto la situazione italiana con il contesto internazionale.  Nel trasporto ferroviario,  l’Ia trova applicazione nella manutenzione predittiva dell’infrastruttura, nell’ottimizzazione della circolare e nella gestione dinamica della capacità. L’implementazione dell’European raid traffico management system (Ertms) in particolare consente di aumentare la sicurezza e la capacità delle linee. In Italia , operatori regionali hanno avviato progetti di questo versante, mentre a livello internazionale si registrano soluzioni avanzate di automazione e controllo delle reti. Nel trasporto aereo, l’Ia favorisce l’ottimizzazione della gestione del traffico, la manutenzione predittiva degli aeromobili e la gestione automatizzata dei flussi dei passeggeri e bagagli. In ambito nazionale, tali applicazioni sono in fase di consolidamento mentre in contesti internazionali l’utilizzo dell’Ia è già integrato nei sistemi di Air traffic management nei principali Hub aeroportuali. Passando alle autostrade, algoritmi predittivi e analisi real time sono in grado di prevenire congestioni e migliorare i flussi anche attraverso la rilevazione automatica di incidenti e anomalie nonché per l’introduzione di sistemi di tariffazione dinamica. In Italia sono in corso di sperimentazione su Smart roads e tecnologie vehicle to infrastructure V2I mente in altri Paesi sono già operative di pedaggio soluzioni di pedaggio basate su algoritmi adattativi e sistemi predittivi per la sicurezza.

Di grande impatto è l’Ia nel trasporto pubblico locale quale supporto per una pianificazione più efficiente dei servizi, in funzione della domanda effettiva e delle condizioni di traffico, e per l’integrazione con sistemi di info mobilità evoluta. I flussi di big data provenienti dai sistemi di biglietteria e dalle apparecchiature automatizzate per il conteggio dei passeggeri sono in grado di contribuire a una maggior comprensione della effettiva movimentazione attraverso la rete. Per i servizi di mobilità su richiesta, l’intelligenza artificiale può ottimizzare l’implementazione di flotte di veicoli condivisi e migliorare l’esperienza dei passeggeri. Analizzando i dati sulla domanda dei passeggeri e sulle condizioni del traffico, gli algoritmi di intelligenza artificiale possono prevedere la domanda dei passeggeri, riducendo i tempi di attesa e le deviazioni. Numerose città italiane stanno sperimentando navette autonome, piattaforme predittive per la gestione delle flotte e soluzioni Mobility as a Service, MaaS.. Esperienze internazionali mostrano una crescente diffusione di servizi on demand integrati con intelligenza artificiale.

Nel trasporto privato, la Ia è al centro dello sviluppo dei veicoli a guida autonoma e dei sistemi avanzati di assistenza alla guida Advanced Driver Assistant  Systems, ADAS. Queste applicazioni consentono al mezzo di assumere autonomi decisioni di guida in tempo reale sulla base di dati raccolti da sensori e reti neurali artificiali che, attraverso il metodo dell’apprendimento automatico, permettono il riconoscimento dell’ambiente circostante e la navigazione su strada senza necessità di intervento umano. In prospettiva, i sistemi di guida autonoma, la mobilità connessa e automatizzata (Connected and automatic mobility, CAM) e i Cooperative Intelligent transport system, C-Its, ridefiniranno l’interazione tra veicoli infrastrutture e utenti. In Italia si registrano iniziative pilota nel campo del car sharing autonomo e dei test su veicoli driverless mentre all’’estero, in particolare negli Stati Uniti e in alcune città europee, sono già attivi servizi commerciali di robotaxi in ambiti urbani controllati. Tra le applicazioni emergenti, quella dei robotaxi riveste particolare rilevanza: si tratta di veicoli autonomi dotati di tecnologia avanzate di intelligenze artificiale attraverso sensori integrati light detection and ranger leader, sistemi di navigazione e mappatura in tempo reale, algoritmi di Machine Learning per riconoscere ostacoli, prevedere i comportamenti di pedoni e altri veicoli e prendere decisioni in sicurezza. I vantaggi attesi sono di varia natura quali ad esempio la riduzione del costo del servizio, l’accessibilità senza interruzioni, una migliore mobilità in zone poco servite e la riduzione della congestione. Sono in fase di test prototipi sia in Italia che nel resto d’Europa, negli Stati Uniti e in Cina.

L’intelligenza artificiale trova crescenti applicazioni anche nel trasporto marittimo per l’ottimizzazione delle rotte e dei consumi, la manutenzione predittiva delle navi, la gestione intelligente dei porti e l’integrazione logistica intermodale, contribuendo all’efficienza, alla sicurezza e alla sostenibilità del settore. Alcuni porti nazionali stanno adottando soluzioni avanzate per il monitoraggio dei flussi e la digitalizzazione delle operazioni grazie anche ai fondi piano nazionale di Pres e residenza. A livello internazionale si registrano sperimentazioni su navi autonomi, sistemi di sorveglianza potenziati e piattaforme e predittive per la gestione del traffico marittimo e portuale.

Riguardo alla sicurezza dei servizi e delle infrastrutture,  l’adozione di sensori intelligenti, tecnologie di riconoscimento, immagini e modelli di Deep Learning consentono di rilevare in tempo reale condizioni anomale o potenzialmente critiche, attivando interventi preventivi. In ambito ferroviario, tali strumenti sono già impiegati per monitorare il degrado dei binari o l’usura degli apparati meccanici, mentre sulla rete stradale, il monitoraggio continuo di ponti, gallerie viadotti mediante tecnologie basate sull’intelligenza artificiale può contribuire in modo significativo alla prevenzione del rischio strutturale. L’analisi video automatizzata permette inoltre di rilevare incidenti, ostacoli o eventi imprevisti che potrebbero compromettere la sicurezza della circolazione. Un’altra area in cui l’intelligenza artificiale sta facendo la differenza è la logistica e la gestione della catena di fornitura analizzando i dati sulle rotte di spedizione, sui modelli di traffico e sulle condizioni metereologiche, gli algoritmi di intelligenza artificiale possono ottimizzare i percorsi di consegna, riducendo il consumo di carburante e le emissioni.