Drones en AI voorspellen het verkeer

Onderzoekers van de École polytechnique fédérale de Lausanne (EPFL) laten in recent onderzoek zien hoe drones in combinatie met kunstmatige intelligentie (AI) verkeersstromen in steden gedetailleerd in beeld kunnen brengen en voorspellen. Door boven drukke wegen te vliegen en continu luchtbeelden te analyseren, ontstaat een compleet overzicht van hoe verkeer zich ontwikkelt, waar files ontstaan en hoe die zich verder verspreiden.

De aanpak richt zich niet alleen op observatie, maar ook op voorspelling. AI-modellen analyseren patronen in het verkeer en kunnen zo vroegtijdig signaleren waar opstoppingen dreigen te ontstaan. Dat biedt mogelijkheden om verkeersstromen proactief te sturen in plaats van reactief te handelen.

Nieuwe laag boven bestaande verkeersdata

In Nederland is verkeersmanagement sterk ontwikkeld en gebaseerd op een combinatie van vaste sensoren, camera’s en digitale data uit voertuigen en navigatiesystemen. Organisaties als Rijkswaterstaat en de Nationale Databank Wegverkeersgegevens spelen hierin een centrale rol, terwijl kennisinstellingen als TNO werken aan modellen voor slimme en verbonden mobiliteit.

De Zwitserse benadering voegt daar een extra informatielaag aan toe: het continue luchtbeeld. Drones kunnen een volledig kruispunt, wegvak of stedelijke corridor in één overzicht vastleggen. Daarmee ontstaat niet alleen inzicht in individuele meetpunten, maar in het gedrag van het gehele verkeerssysteem op sectieniveau. Vooral in complexe stedelijke omgevingen kan dat verschil maken. Interacties tussen auto’s, fietsers en openbaar vervoer zijn in luchtbeelden beter te analyseren dan met lineaire meetpunten langs de weg.

Wat Nederland al goed doet

Nederland beschikt al over een volwassen infrastructuur voor verkeersdata en -sturing. Rijkswaterstaat gebruikt een combinatie van sensordata en verkeerscentrales om incidenten snel te detecteren en maatregelen te nemen, zoals dynamische snelheidsaanpassingen of omleidingen.

De NDW (Nationale Databank Wegverkeersgegevens) verzamelt en ontsluit data uit verschillende bronnen en vormt daarmee een belangrijke basis voor verkeersmodellen en informatievoorziening.

TNO werkt daarnaast aan algoritmes en simulatiemodellen voor connected en geautomatiseerde mobiliteit, waarbij verkeersgedrag steeds nauwkeuriger kan worden voorspeld.

Samen vormt dit een sterk ecosysteem, waarin data en operationele sturing nauw met elkaar zijn verbonden.

Aanvulling in plaats van vervanging

In de Zwitserse aanpak wordt hier een nieuwe waarnemingslaag aan toegevoegd. Drones kunnen vooral waarde hebben op momenten en locaties waar extra inzicht nodig is, bijvoorbeeld bij:

• grote infrastructurele werkzaamheden
• incidenten op snelwegen of stedelijke knooppunten
• evenementen met tijdelijke verkeersdrukte
• complexe stedelijke verkeerssituaties

Door deze inzet kunnen verkeerscentrales sneller en met meer context beslissingen nemen. In combinatie met AI-analyse ontstaat bovendien de mogelijkheid om niet alleen actuele situaties te begrijpen, maar ook de ontwikkeling van verkeer beter te voorspellen.

Praktische en maatschappelijke randvoorwaarden

Een bredere toepassing van drones in verkeersmanagement vraagt wel om zorgvuldige afwegingen. Privacywetgeving speelt een belangrijke rol, zeker in stedelijke gebieden waar continu luchttoezicht gevoelig ligt. Ook luchtruimregulering en operationele veiligheid zijn bepalend voor de schaal waarop dergelijke systemen kunnen worden ingezet.

Daarnaast is er de vraag in hoeverre grootschalige drone-inzet economisch en organisatorisch haalbaar is. In de praktijk ligt een gefaseerde toepassing voor de hand, waarbij drones vooral ondersteunend worden ingezet binnen bestaande verkeerssystemen. De meest waarschijnlijke ontwikkeling is een hybride model waarin drones, sensordata en AI gezamenlijk bijdragen aan sneller, vollediger en voorspellender verkeersmanagement.