Le auto più intelligenti non stanno ancora salvando i pedoni

Nel 2024, 7.080 pedoni sono stati uccisi e più di 71.000 feriti sulle strade americane. Le morti di ciclisti hanno raggiunto il livello più alto dal 1980. Le vittime totali della strada sono scese al di sotto delle 40.000 per la prima volta dal 2020. Ma quasi tutto quel progresso ha beneficiato gli occupanti dei veicoli. I pedoni e i ciclisti stanno ancora morendo a tassi quasi storici.

Quella lacuna è la storia. Le funzionalità di assistenza alla guida hanno ridotto misurabilmente le vittime tra gli occupanti dei veicoli nell’ultimo decennio. Non hanno fatto lo stesso per gli utenti della strada vulnerabili, e il motivo deriva dalla linea di vista, non dal comportamento del conducente. Un sensore montato su un veicolo è limitato dalla geometria del telaio. I posti dove i pedoni e i ciclisti sono più a rischio sono precisamente i posti dove i sensori a bordo del veicolo sono strutturalmente più deboli. Intersezioni occluse. Attraversamenti a metà isolato. Angoli ciechi. Zone scolastiche dove un bambino si fa strada tra le auto parcheggiate. Quel limite si applica ugualmente a un conducente umano che guarda attraverso il parabrezza, a un sistema di frenata automatica che legge un radar frontale e a qualsiasi futuro stack autonomo che mettiamo su un veicolo.

Per la maggior parte dell’ultimo decennio, l’intera conversazione sui veicoli connessi, la mobilità autonoma e la robotica urbana è stata una conversazione Vehicle-to-Everything (V2X). L’idea è che il veicolo parla ad altri veicoli, a dispositivi stradali, ai telefoni dei pedoni e alla rete. Sensori più grandi, modelli migliori, più calcolo a bordo, più ridondanza – tutto centrato sul veicolo stesso. Quel quadro ha prodotto progressi reali. Ha anche imposto un tetto a ciò che la percezione veicolare può fare per i pedoni e i ciclisti.

La prossima fase di questo lavoro ha una forma diversa. Chiamiamola Infrastructure-to-Everything, o I2X. L’intersezione, il corridoio e l’infrastruttura circostante percepiscono e prevedono per conto di qualsiasi cosa si muova attraverso di essi. I2X è la metà più difficile del problema. È anche dove il caso di sicurezza si chiude finalmente.

V2X ha un tetto di sicurezza, e ora lo stiamo raggiungendo

L’approccio veicolare è stato leggibile per gli investitori, i costruttori di automobili e i regolatori in un modo che l’infrastruttura non ha. I progressi possono essere misurati in numeri di sensori, parametri di modelli e tassi di disconnessione. Si adatta perfettamente in una presentazione. Lo stack V2X è maturato di conseguenza. Gli standard V2X cellulare sono reali, le unità stradali sono state distribuite in dozzine di corridoi e i principali giocatori automobilistici e tecnologici stanno investendo seriamente in piattaforme di percezione cooperativa.

Quel capitale ha prodotto guadagni genuini, di nuovo principalmente per gli occupanti dei veicoli. Non ha chiuso la lacuna per gli utenti della strada vulnerabili, e la comunità di ricerca è sempre più chiara sul perché. Uno studio empirico recente sui sistemi di percezione cooperativa V2X identifica sei modelli di errore ricorrenti nei sistemi autonomi a singolo agente, la maggior parte dei quali è radicata nella stessa limitazione: un veicolo non può percepire oltre la sua linea di vista. Occlusioni, intersezioni non in linea di vista, degrado meteorologico, casi limite che non sono apparsi nei dati di formazione. Ricerche separate incentrate sulla sicurezza degli utenti della strada vulnerabili raggiungono la stessa conclusione da un angolo diverso: la localizzazione dei pedoni e dei ciclisti è il modo di fallimento che i sensori montati sui veicoli sono strutturalmente cattivi nel risolvere.

Più LiDAR aiuta. Più radar aiuta. Migliori modelli aiutano. Nessuno di questi cambia la geometria sottostante. Un sensore montato su un veicolo avrà sempre limitazioni di linea di vista, e la linea di vista peggiora man mano che la densità urbana aumenta. I posti dove abbiamo bisogno che l’autonomia sia più sicura sono precisamente i posti dove la percezione veicolare è strutturalmente più debole.

I2X inverte la polarità

Infrastructure-to-Everything inizia da un presupposto diverso. La strada, l’intersezione, il corridoio e il dock di carico non sono superfici passive in attesa di essere percepiti. Diventano strati di intelligenza attiva che percepiscono, interpretano e trasmettono condizioni verso l’esterno. Un veicolo che si avvicina a un’intersezione occlusa non ha bisogno di vedere dietro l’angolo con i suoi sensori. L’angolo vede per lui. Un robot di consegna che lavora su un marciapiede non ha bisogno di anticipare il pedone dietro un camion parcheggiato. Il palo della luce già sa che il pedone è lì.

Questo è il lato del problema che stiamo costruendo a Surge. Le nostre implementazioni sono nodi di percezione edge LiDAR montati su infrastrutture urbane esistenti: pali della luce, teste di segnale e tetti. Nessuna fotocamera, nessuna immagine e nessun dato di identificazione personale catturato nel momento della rilevazione. Li chiamiamo “Anonimi per fisica”, perché LiDAR cattura movimento e geometria, non volti, targhe o identità. L’output è un flusso in tempo reale di posizione, velocità e traiettoria. Quello stesso flusso è utile a un ingegnere del traffico della città, a uno stack di veicoli autonomi, a un router logistico e a un ricercatore sulla sicurezza, tutti su una sola impronta del sensore.

Due scelte di progettazione sono importanti per il caso di sicurezza. La prima è che la percezione dell’infrastruttura è multi-tenant per default. Uno stack di sensori montati su un veicolo è punto-punto e serve un cliente alla volta. Un nodo LiDAR su un palo della luce serve ogni veicolo, ogni drone e ogni applicazione di sicurezza per pedoni che ha bisogno dei dati, simultaneamente. L’economia assomiglia più a una torre cellulare che a un pozzo di petrolio. La seconda è che la copertura a livello di corridoio conta più della copertura a livello di intersezione. I nodi isolati sono utili. I corridoi in rete sono difendibili, perché la sicurezza dei pedoni, l’addestramento dei veicoli autonomi e la risposta di emergenza dipendono tutti dalla continuità, non da istantanee.

La percezione in tempo reale è il pavimento. La previsione è il soffitto.

L’opportunità più profonda non è il livello in tempo reale. La percezione in tempo reale risolve i casi di sicurezza ovvi, e questo da solo è prezioso. L’approfondimento più profondo arriva quando i modelli di intelligenza artificiale si addestrano su dati di infrastrutture continui nel corso di mesi e anni invece di snapshot episodici catturati dai veicoli.

I dati del veicolo sono, per loro natura, sparsi e discontinui. Una macchina passa attraverso un’intersezione poche volte al giorno al massimo. Vede un pezzo. Un nodo di infrastruttura guarda la stessa intersezione 24 ore al giorno, ogni giorno, per anni. Vede la distribuzione completa. Lo stesso posto attraverso l’ora di punta, le tempeste, la costruzione, gli spegnimenti, gli eventi e gli spostamenti stagionali. Quello è un tipo fondamentalmente diverso di dati di formazione, e produce un tipo fondamentalmente diverso di modello.

Mentre quei dati si accumulano, il sistema smette di essere reattivo e diventa predittivo. Il modello di andatura di qualcuno che sta per scendere dal marciapiede senza guardare. Il profilo di decelerazione di un veicolo che sta per superare un rosso. La geometria di convergenza che precede un quasi-scontro tra un autobus che gira e una bicicletta nella corsia ciclabile. Questi sono segnali precursori. Sono osservabili statisticamente. Non esistono nei rapporti di incidenti perché non sono incidenti. Sono eventi precursori e si verificano ordini di grandezza più frequenti degli incidenti stessi. Gli incidenti sono sparsi statisticamente. I quasi-scontri sono abbondanti. I sistemi di infrastrutture osservano i comportamenti precursori che le banche dati di incidenti non catturano mai. Un veicolo che passa attraverso un’intersezione non li vedrà mai in scala. L’infrastruttura che vive all’intersezione li vede costantemente.

Quello è il vero sblocco della sicurezza. La promessa della mobilità connessa è sempre stata che potessimo intervenire prima di un incidente, non documentarlo dopo. I sensori a bordo più la comunicazione reattiva veicolo-tutto ci portano a metà strada. Un livello predittivo addestrato su dati di infrastrutture continui, multi-modalità, è ciò che ci porta il resto del percorso. La stessa logica, incidentalmente, si applica sul lato energetico, dove aziende come HEVO stanno mostrando che le flotte completamente autonome hanno bisogno di infrastrutture per fornire energia oltre che percezione. Dominio diverso, stessa conclusione: il mondo deve fare lavori che il veicolo non può fare da solo.

Un sistema nervoso per l’ambiente urbano

Quando si fa un passo indietro da qualsiasi singola implementazione, il lavoro che stiamo costruendo è in realtà qualcosa che le città non hanno mai avuto: un sistema nervoso. Le città hanno già cemento, acciaio, reti elettriche e fibre. Quello che manca è uno strato che percepisce, ricorda e prevede in tempo reale attraverso l’ambiente fisico.

I2X è quello strato. Un nodo LiDAR su un palo della luce funziona come un neurone sensoriale. Il calcolo edge si comporta come un riflesso locale, abbastanza veloce da agire senza aspettare sistemi centralizzati. Nel tempo, una rete di nodi costruisce memoria istituzionale a scala urbana: come si comportano le intersezioni, dove si verificano i quasi-scontri, come cambiano i flussi durante le tempeste, gli spegnimenti, la costruzione o le emergenze.

Le applicazioni seguono naturalmente. Un allarme di sicurezza per pedoni in una zona scolastica è un riflesso. Un aggiustamento del segnale di traffico basato sul flusso osservato è una risposta appresa. Una raccomandazione di routing predittiva per un veicolo di emergenza dipende sia dalla percezione che dalla memoria. La logistica, la gestione delle emergenze, la resilienza climatica e l’addestramento dei veicoli autonomi diventano tutti più facili quando la città può osservare e imparare continuamente dalle proprie operazioni. Il punto non è aggiungere più telecamere o cruscotti. Il punto è dare all’ambiente urbano la capacità che ha sempre mancato: la capacità di percepire, ricordare e rispondere in tempo reale.

L’infrastruttura cambia l’economia dell’autonomia

Quando lo strato di intelligenza migra dal veicolo all’infrastruttura, l’economia dell’autonomia e delle operazioni urbane si sposta in tre modi importanti.

Innanzitutto, la curva dei costi dell’hardware a bordo del veicolo ha finalmente un posto dove andare. Oggi, ogni veicolo autonomo è chiamato a portare l’intero problema della percezione e la maggior parte del problema della sicurezza sul suo telaio. È per questo che la lista dei materiali per un veicolo autonomo sembra così. Quando l’infrastruttura fornisce la percezione sugli ultimi cento metri e la previsione in cima, il veicolo diventa più leggero, più economico e più facile da certificare. La stessa logica si applica ai droni, ai robot per marciapiedi e a qualsiasi altra forma di veicolo autonomo che aspetta che la sua economia si chiuda.

In secondo luogo, il mercato rivolto a qualsiasi implementazione di infrastrutture si espande drasticamente. Un nodo LiDAR su un palo della luce che serve al team di ingegneria del traffico della città, a un vettore logistico nazionale, a un operatore di shuttle autonomo, a un ricercatore sulla sicurezza e a un underwriter assicurativo è un asset fondamentalmente diverso da un sensore che serve un solo inquilino. L’infrastruttura condivisa si accumula in un modo che le soluzioni punto-punto non fanno.

In terzo luogo, la storia del finanziamento diventa leggibile per il capitale istituzionale che ha storicamente finanziato porti, torri, fibre e servizi pubblici. Tra di noi, portiamo una leadership operativa nella distribuzione di infrastrutture connesse e più di due decenni di esperienza nel finanziamento di progetti di infrastrutture presso società come Integrated Roadways, Black & Veatch e Diode Ventures. Il modello è familiare. Una volta che una classe di asset produce più flussi di entrate contrattuali, a lungo termine e da un’unica impronta fisica, il costo del capitale scende, la durata si estende e la costruzione si accelera. È il momento che stiamo avvicinando con le infrastrutture intelligenti. Il capitale ha aspettato la leggibilità, non la tecnologia.

La strada impara a pensare indietro

I numeri di mortalità difficili non si muoveranno materialmente finché non smetteremo di chiedere al veicolo di fare tutto il lavoro. Il decennio di investimenti veicolari ha prodotto standard, implementazioni e guadagni significativi per gli occupanti dei veicoli. Non ha spostato l’ago per le persone più esposte alle conseguenze dei veicoli che sbagliano, e il motivo strutturale è costruito nella geometria del problema.

Il prossimo capitolo è l’infrastruttura. Strade che percepiscono. Intersezioni che prevedono. Corridoi che imparano e intervengono prima che si verifichino incidenti. Aggiungi il lato energetico più tardi, sulla stessa impronta fisica, e hai il substrato per l’autonomia come sistema e non come prodotto. Più importante ancora, hai un’infrastruttura che le città possono utilizzare per tutto il resto che hanno cercato di risolvere negli ultimi vent’anni.

V2X ha insegnato ai veicoli a parlare. I2X è la città che impara a sentire, a pensare indietro e poi a pensare in avanti.