Een van de belangrijkste maatregelen tegen de verspreiding van het coronavirus is social distancing. Hoe je dit precies in de praktijk moet vormgeven, is voor velen nog een grote vraag. Er is op dit moment onvoldoende zicht op hoe en waar mensen zich bewegen. Onderzoekers van de TU Delft gaan hier daarom onderzoek naar doen, te beginnen op de eigen campus. Zij hopen daarmee inzicht te krijgen waar het druk en niet druk is, en hoe dat verandert over tijd. Wordt er bijvoorbeeld meer gefietst en hoe wordt het openbaar vervoer gebruikt?

Die gegevens komen van sensoren, die visuele informatie omzet in privacy-proof data. Deze data worden weergegeven in een dashboard, dat een soort digital twin van de campus wordt: een 3D-model waarin met een kleurcodering staat aangeven hoe druk het ergens is. Dit dashboard dient toekomstig wetenschappelijk onderzoek. Het is de bedoeling om het sensornetwerk in de toekomst te laten uitgroeien tot een volwaardig Mobility Lab voor wetenschappelijk onderzoek.  Het project wordt geleid door Prof. Serge Hoogendoorn en Dr. Sascha Lanser:

“Naast de directe toepassingen van het sensorsysteem en het dashboard zijn er legio en zeer diverse mogelijkheden voor wetenschappelijk onderzoek. Zo willen we nieuwe sensortechnologie ontwikkelen waarmee we goedkoper en betrouwbaar kunnen meten. Uit eerder onderzoek weten we wanneer mensen een ruimte binnen of buiten als druk ervaren. Deze zogeheten level of service is door de komst van COVID-19 veranderd. Het gaat niet alleen meer om hoe druk het gemiddeld gezien is maar ook hoe mensen over een ruimte verspreid zijn. Vanuit het team wordt nu onderzoek gedaan hoe zo'n nieuwe level of service te bepalen.

Een belangrijk vraagstuk dat hiermee samenhangt is hoe we de verschillende databronnen zo goed mogelijk kunnen combineren om nauwkeurigere informatie uit de data te kunnen halen (datafusie). Gegeven de verscheidenheid aan gegevens uit de verschillende sensoren die we gebruiken voor dit onderzoek is dit een lastige opgave, maar wel een waarvan we verwachten grote sprongen te kunnen maken in informatiekwaliteit, maar ook nieuwe informatie te kunnen genereren. Een mooi voorbeeld hiervan is de bezetting van de bussen die over de campus rijden. Straks hebben we vanuit OV-bedrijven eerste schattingen van die bezetting, maar we verwachten door de inzet van artificial intellingence-technieken en het het slim combineren met informatie uit onze sensoren deze schattingen aanzienlijk te kunnen verbeteren.“

Voorspellen

Het uiteindelijke doel is het betrouwbaar kunnen voorspellen van de bewegingen op de campus en de locaties waarvan we verwachten dat er zich problemen voordoen op korte termijn (15 minuten) maar ook op langere termijn (dagen, weken, maanden). De gegevens die ons sensorsysteem genereert bieden hier tal van mogelijkheden voor. Nieuwe technieken die we vaak scharen onder de noemers artificial intelligence of machine learning lenen zich hier bijzonder goed voor. We zijn heel nieuwsgierig in hoeverre we dergelijke methodes, die voor autoverkeer al succesvol zijn toegepast, in situaties kunnen toepassen waarin we naar veel complexere processen waaronder loop- en fietsstromen, maar ook stromen binnen het openbaar vervoer kijken. 

Ook verwachten we dat we hoogwaardige agent-based modellen kunnen ontwikkelen, waarvan ook de combinatie met besmettingsmodellen in het verschiet ligt. De data die uit het sensorsysteem komen, alsmede de gedragsinzichten die we uit deze gegevens kunnen afleiden, zijn hiertoe essentieel. Het gaat hier dan onder andere om bijvoorbeeld inzichten in het gedrag van voetgangers en fietsers: hoe gedragen zij zich ten opzichte van elkaar en welke invloed hebben eventueel veranderde normen hierop? Wat doen mensen bij drukte? Passen ze hun gedrag aan en mijden ze de drukte (door een andere route te kiezen, of niet meer met de bus te gaan)? Hoe zit het überhaupt met de bereidheid om met het OV te reizen? Welke effecten hebben maatregelen en advies op dit gedrag? Kunnen we dit vatten in wiskundige modellen?

Tot slot willen we verder aan de slag met het ontwikkelen van manieren om de stromen op de campus zo goed mogelijk te geleiden en spreiden, zowel tijdens als na de periode van social distancing. Je kunt dan denken aan nieuwe algoritmes voor het aansturen van verkeerslichten, bijvoorbeeld door directe communicatie met de voetgangers en fietsers, het aanbieden van nieuwe vervoersdiensten om je naar/van en op de campus te verplaatsen, reserveringssystemen, enz. Kortom: de mogelijkheden voor het gebruik van deze onderzoeksfaciliteit zijn talrijk en passen zeer goed bij de ambities van de TU Delft: toponderzoek met duidelijk maatschappelijk nut.”