di 
Nel contesto della crescente necessità di rendere le città più smart e inclusive, il ricercatore Daniele Treccani dell’Unesco Research Lab del Polo territoriale di Mantova del Politecnico di Milano si è dedicato a un’innovativa ricerca sull’utilizzo dell’Intelligenza Artificiale (AI) per migliorare l’accessibilità fisica urbana. L’obiettivo? Identificare le sfide specifiche che le strade e i marciapiedi caratteristici delle città storiche impongono, specialmente per anziani e persone con disabilità motorie.
Treccani ha condotto uno studio dettagliato utilizzando un sofisticato sistema di Mobile Mapping, installato su un’automobile in movimento. La sua attenzione si è concentrata sulla pittoresca Sabbioneta, Patrimonio Unesco dal 2008 assieme alla vicina Mantova, famosa per il suo carattere rinascimentale racchiuso tra mura storiche.
Le strade acciottolate, i marciapiedi in sanpietrini e le varie altezze e larghezze delle vie che caratterizzano le città storiche spesso si trasformano in ostacoli insormontabili per chi ha difficoltà motorie. La ricerca di Treccani, pubblicata sull’International Journal of Applied Earth Observation and Geoinformation, ha esaminato in modo approfondito queste caratteristiche, evidenziando l’impatto negativo che possono avere sulla mobilità di anziani e persone con disabilità.
Attraverso l’impiego dell’Intelligenza Artificiale, Treccani è riuscito a individuare e analizzare le differenze tra le diverse tipologie di pavimentazione e le loro implicazioni sull’accessibilità urbana. Questo approccio innovativo non solo fornisce informazioni preziose per migliorare l’infrastruttura, ma pone le basi per una progettazione urbana più inclusiva e attenta alle esigenze di tutti i cittadini.
Treccani ci racconta come nasce la sua ricerca e il percorso che l’ha portato fin qui.
«Mi sono laureato in ingegneria ambientale all’Università degli studi di Brescia- racconta il ricercatore- Da lì ho proseguito con la tesi magistrale in collaborazione con alcuni professori del Polo di Mantova del Politecnico di Milano, tra cui il professor Andrea Adami, controrelatore della tesi. Ho poi continuato con il dottorato nel Dipartimento di Architettura, Ingegneria delle Costruzioni e Ambiente Costruito del Polimi, la cui tesi è sostanzialmente quella descritta nell’articolo sull’International Journal of Applied Earth Observation and Geoinformation: il lavoro è lo stesso, con qualche piccola miglioria.
Ho partecipato e vinto un bando come ricercatore junior per l’Unesco ReSearch Lab al Polo di Mantova: sono molto felice della strada che ho intrapreso».
Cosa ti appassiona della topografia e della cartografia?
«Alle superiori ho fatto il geometra: tutto è nato quando al terzo anno è iniziato il corso di topografia. Il professore mi ha trasmesso una grande passione per la materia, oltre al fatto che mi piaceva l’alternanza di teoria e pratica. Questo interesse è proseguito anche all’università: avevo capito che mi piacevano molto le modalità di raccontare il territorio grazie a questi strumenti tecnologici.
Nel settore della Geomatica la tecnologia è molto importante e negli anni ha fatto passi da gigante. Siamo passati da strumenti ottici, dove comunque l’operatore doveva far leggere la mira, andare a segnarsi il numero, etc…a strumenti che seppur basati sull’ottica ottengono il risultato in maniera più veloce e precisa. L’intelligenza artificiale e le capacità di calcolo dei nuovi computer stanno rendendo possibile la raccolta e l’analisi di tantissimi dati in modo rapido ed efficiente.
Resta il fatto che la misurazione è alla base di tutto: se voglio creare una replica digitale devo sempre eseguire delle misure precise e accurate dell’esistente, per capire come è fatto, con strumenti e tecniche come il laser scanner e la fotogrammetria, e giungere a repliche tridimensionali che poi servono come punto di partenza per decisioni informate e analisi dei dati».
L’elemento di novità della sua ricerca è il machine learning e l’intelligenza artificiale applicata alla cartografia… com’è avvenuta questa integrazione?
«Alla base c’è sempre la misurazione: nel mio lavoro ho utilizzato il mobile mapping, un insieme di sensori posizionati su un’auto che si muove all’interno della città e misura lo spazio circostante. Uno di questi strumenti è un laser scanner che effettua tantissime misure dello spazio attorno a sé, restituendo una nuvola di punti, ovvero una replica digitale di quello che abbiamo misurato dove le superfici sono descritte da tanti punti e ogni punto corrisponde a una misura. Nel caso di Sabbioneta sono più di un miliardo i punti misurati di cui conosciamo le coordinate XYZ, il colore, e altre informazioni.
L’intelligenza artificiale, e nello specifico tecniche di machine learning, ci permettono di segmentare la nuvola di punti in classi da noi scelte. Con l’intelligenza artificiale si cerca automaticamente di suddividere la nuvola di punti secondo i contenuti che più ci interessano, ad esempio dividendola in punti che rappresentano edifici, punti che rappresentano marciapiedi, punti che rappresentano strada, eccetera. Io ho deciso di andare a sviluppare questo modello di machine learning per individuare in automatico sulla nuvola di punti quali di essi appartenevano ai marciapiedi e quali alla strada.
Poi ho analizzato i punti del marciapiede e ho cercato di estrarre informazioni da essi. La peculiarità del mio lavoro rispetto a quello che già si fa nel mondo della ricerca è che in genere queste tecnologie vengono applicate in contesti molto standardizzati. Pensiamo alle strade di Milano: il marciapiede è rialzato rispetto alla strada, ha una superficie liscia, c’è il cordolo. Nei centri storici, invece, non è sempre così: spesso marciapiede e strada sono allo stesso livello. Io ho sfruttato il fatto che il materiale per la pavimentazione della strada spesso è diverso da quello del marciapiede: in molti centri storici, viene utilizzato il sanpietrino per la strada e il mattone per il marciapiede, io utente riconosco il livello, il diverso scopo della strada, che però nei punti misurati è un’unica superficie. Utilizzando però le caratteristiche geometriche dei punti misurati e addestrando questo modello matematico di a riconoscerle, sono riuscito a individuare la posizione dei marciapiedi e la posizione delle strade, attraverso i punti corrispondenti.
Successivamente mi sono concentrato sull’estrazione di altre informazioni sui marciapiedi, come il materiale della pavimentazione, la larghezza o la pendenza.
Parlando con il mio collega Sebastiano Marconcini (che si è dottorato al Politecnico di Milano con una tesi sul concetto di city for all nei beni culturali), è emerso che una persona con disabilità quando deve visitare un luogo che non conosce vuole capire prima se riesce ad arrivarci e se una volta arrivato possa muoversi nella città o nel centro storico senza difficoltà.
Una persona disabile vuole sapere non solo l’altezza o l’accessibilità del marciapiede, ma anche quanto è largo o il materiale di cui è fatto – banalmente se non è liscio diventa difficile muovercisi sopra in sedia a rotelle- già solamente queste due informazioni possono aiutare a decidere qual è il percorso migliore per una persona disabile.
Queste informazioni possono tornare chiaramente utili anche agli amministratori che devono redigere un piano, come nel caso di Sabbioneta, o nella progettazione di percorsi turistici accessibili.
Sabbioneta è stato il caso ideale, perché è una città storica con tantissime particolarità: ha uno schema a scacchiera, ha delle strade decentrate, con larghezze diverse e tanti diversi materiali (sanpietrino, mattone, ciottolo, porfido…) ed è piccolina (quindi abbiamo potuto anche misurare molto velocemente e fare i calcoli).
Da questo lavoro è nata l’idea anche di un PRIN (Progetto di Rilevante Interesse Nazionale) esteso a una porzione della città di Mantova, più grande e più complessa di Sabbioneta, con l’Università degli studi di Brescia e l’Università di Modena e Reggio Emilia. L’obiettivo è capire se ci sono altri dati utili da individuare e renderli disponibili per gli utenti e per gli amministratori locali».
In futuro, secondo lei, ci saranno anche altre applicazioni dello stesso metodo in altri contesti?
«La classificazione, la nuvola di punti, quindi la segmentazione, funziona bene e funzionerà sempre meglio: potrebbero essere altre le informazioni che andremo a definire in futuro. Per esempio, sempre parlando di accessibilità, sarebbe molto utile fare un rilievo tridimensionale di un bagno e sapere in brevissimo tempo, in maniera automatica tramite algoritmi sviluppati ad hoc, se è accessibile o meno; si potrebbe fare rapidamente e senza la necessità di personale specializzato. Abbiamo notato che l’altezza degli interruttori a volte è fuori dalla portata di una persona su sedia a rotelle: magari con un rilievo in automatico l’intelligenza artificiale mi aiuterà a capirlo al volo senza passare da una misurazione approfondita.
Volendo questa tecnologia può essere applicata non solo all’accessibilità ma anche ad altro, penso alle verifiche antincendio».
Come si vede nei prossimi anni? Le piacerebbe continuare su questa strada o pensa anche ad altri ambiti di ricerca?
«Continuerò a lavorare su nuvole di punti, ma non solo con l’intelligenza artificiale: è uno strumento che mi è utile, ma non lo vedo come l’unico strumento su cui ragionerei».