Edge-AI-driven mobile sensing platform for real-time pavement distress assessment

Traditional pavement surveys are labor intensive, disruptive, and expensive, which makes it difficult to carry out inspections as often as needed. Crowd-sensing approaches offer a practical alternative by taking advantage of existing urban mobility networks, such as public transport vehicles, car sharing and taxis, to gather frequent, city wide observations at low cost. Continuous video acquisition from these moving platforms, however, produces enormous amounts of data, and transmitting or processing all of it centrally quickly becomes impractical for large scale use. This work presents a vehicle mounted edge computing platform capable of performing on board segmentation and mapping of pavement distress, thereby drastically reducing bandwidth and storage requirements within an IoT infrastructure. The main contribution of this thesis is the integration of real time AI inference, modular expandability, and system level scalability into a single, purpose built sensing platform. The system is built around the Nvidia Jetson Orin Nano for GPU accelerated processing and incorporates two high resolution cameras, an Inertial Measurement Unit, and a GPS module to support geo-referencing. The platform has been tested in real urban environments, demonstrating its potential as a scalable, data efficient, and intelligent solution for automated pavement monitoring within modern smart city frameworks.

I metodi tradizionali per il rilievo delle condizioni del manto stradale sono operazioni onerose, invasive e costose, il che rende difficile effettuare ispezioni con la frequenza necessaria. Gli approcci basati sul crowd sensing offrono un’ottima alternativa, sfruttando le reti di mobilità urbana già esistenti, come trasporti pubblici, car sharing e taxi, per effettuare acquisizioni frequenti, su larga scala a costi contenuti. L’acquisizione continua di immagini di queste piattaforme mobili, tuttavia, genera quantità di dati estremamente elevate, e trasmetterli o elaborarli in modo esclusivamente centralizzato su larga scala è una soluzione impraticabile. In questo documento viene presentata una piattaforma di edge computing installata a bordo veicolo, in grado di eseguire segmentazione e mappatura dei danni al manto stradale direttamente sul dispositivo, riducendo significativamente le necessità in termini di connettività e di spazio di archiviazione all’interno di un contesto IoT. Il contributo innovativo di questa tesi consiste nell’integrazione di capacità di inferenza AI in tempo reale, modularità per l’espansione a nuovi sensori e applicazioni, e scalabilità a livello di sistema, in un’unica piattaforma dedicata. Il sistema è basato sulla Nvidia Jetson Orin Nano che offre accelerazione hardware su GPU e integra due telecamere ad alta risoluzione, una piattaforma inerziale e un modulo GPS per la localizzazione del danno. La piattaforma è stata testata in scenari urbani reali, dimostrando il suo potenziale come soluzione scalabile, efficiente e adatta al monitoraggio intelligente automatizzato dell’infrastruttura stradale urbana all’interno dei moderni contesti di smart-city.