Uno studio effettuato su una flotta di 50 autobus e 30 linee del trasporto pubblico di Bari, mette in evidenza l’accuratezza del sistema di conteggio automatico passeggeri e monitoraggio stradale basato sull’AI rispetto ai sistemi tradizionali.
Quante persone ci sono realmente a bordo di un autobus in un preciso momento? E quante buche, cumuli di rifiuti o biciclette incontra ogni giorno un mezzo lungo il suo percorso urbano? Sono domande che, fino a poco tempo fa, i gestori del trasporto pubblico potevano solo stimare in modo approssimativo. Oggi, grazie all’impiego combinato di deep learning, computer vision e IoT, è possibile rispondere a tutte queste domande in tempo reale, con un solo impianto tecnologico installato a bordo del veicolo.
Il sistema, sviluppato e validato su scala reale a Bari in collaborazione con AMTAB, dimostra come l’integrazione di computer vision, deep learning e tecnologie IoT possa rendere più accurata ed efficace la gestione del trasporto pubblico urbano.
Dal semplice contapersone a una piattaforma AI per il trasporto pubblico
I sistemi tradizionali di conteggio passeggeri APC si basano quasi sempre su sensori posizionati alle porte, che stimano gli ingressi e le uscite a ogni fermata. È un approccio semplice, ma con un limite strutturale: ogni piccolo errore di conteggio si accumula nel tempo, fermata dopo fermata, e nelle situazioni di forte affollamento la stima può allontanarsi parecchio dal dato reale.
Il sistema utilizzato dalla piattaforma RighTo supera questo limite unendo due livelli di osservazione:
- l’analisi dei flussi di salita e discesa durante le fermate, quando le porte sono aperte
- il conteggio in tempo reale dei passeggeri effettivamente a bordo, subito dopo la chiusura delle porte
La combinazione dei due dati non produce solo un numero, ma un quadro dinamico e affidabile dell’occupazione del mezzo, aggiornato a ogni fermata e senza gli errori cumulativi tipici dei metodi basati solo sul passaggio alle porte.
Come funziona il conteggio dei passeggeri a bordo dell’autobus
Il funzionamento del sistema può essere raccontato in due momenti distinti, che si susseguono a ogni fermata:
1. Porte aperte – analisi del flusso. Non appena una porta si apre, le telecamere interne iniziano a monitorare l’area di passaggio, distinguendo chi sale da chi scende. Questa fase serve a calcolare il numero di persone entrate e uscite in quella specifica fermata
2. Porte chiuse – conteggio reale a bordo. Una volta chiuse le porte, il sistema passa a una fase di verifica: analizza l’interno del veicolo e conta con precisione le persone effettivamente presenti, indipendentemente da quanto rilevato durante la fase di flusso
Questo doppio controllo permette di ottenere sia il numero totale di passeggeri a bordo sia il dettaglio di quanti sono saliti e scesi a ogni fermata, offrendo alle aziende di trasporto un livello di dettaglio prima impossibile da ottenere in modo automatico e continuo.
L’innovazione: telecamere, intelligenza artificiale e localizzazione precisa
Rispetto alle soluzioni finora disponibili, il valore aggiunto del sistema si può riassumere in alcuni punti chiave:
- Eliminazione degli errori cumulativi. Grazie all’incrocio tra flusso alle porte e conteggio reale a bordo, un errore verificatosi a una fermata non si propaga alle fermate successive
- Telecamere ad alta risoluzione e reti neurali dedicate. Al posto dei sensori a infrarossi o a tempo di volo, sensibili a riflessi e variazioni di luce, il sistema utilizza reti neurali convoluzionali (CNN) addestrate specificamente per riconoscere le persone anche in condizioni di affollamento
- Localizzazione precisa dei passeggeri nello spazio del bus. Attraverso una conversione delle immagini bidimensionali in coordinate reali all’interno del veicolo, il sistema individua la posizione esatta di ogni persona, evitando che una stessa persona venga contata due volte da telecamere diverse con campi visivi sovrapposti
- Tracciamento continuo delle persone in movimento. Un modulo di tracking (basato sull’algoritmo Deep SORT) segue ogni passeggero durante il transito, distinguendo con precisione la direzione di ingresso o uscita anche quando più persone si muovono contemporaneamente vicino alle porte
- Validazione su scala reale. Il sistema non è rimasto un prototipo di laboratorio: è stato installato e testato su 50 autobus attivi su 30 linee della rete di trasporto pubblico di Bari, in condizioni di esercizio quotidiano
I risultati sul campo: la sperimentazione a Bari
Per verificare l’affidabilità del sistema, è stata monitorata una corsa reale di 58 fermate, confrontando i dati rilevati automaticamente con il conteggio manuale effettuato da operatori tramite immagini live.
I risultati* parlano chiaro:
- 94,04% di accuratezza già dopo 5 secondi dalla chiusura delle porte
- 96,71% dopo 15 secondi
- 98,1% dopo 30 secondi
- 98,15% una volta che il conteggio si stabilizza
* NB – Il dato di accuratezza riportato si riferisce ai risultati della sperimentazione condotta nel 2024. Da allora, i continui sviluppi e il perfezionamento degli algoritmi realizzati negli ultimi due anni hanno consentito di incrementare ulteriormente le prestazioni, superando oggi il 99% di accuratezza.
Il dato più interessante, però, non è solo la percentuale finale, ma il comportamento dell’errore nel tempo: l’errore è non cumulativo. In altre parole, un’eventuale imprecisione registrata a una fermata resta isolata e non si somma agli errori delle fermate successive, come invece accade nei sistemi di conteggio basati esclusivamente sul flusso alle porte. Questo rende il dato finale molto più stabile e utilizzabile per decisioni operative, anche su percorsi lunghi con decine di fermate.
Non solo passeggeri: il monitoraggio intelligente della strada
Oltre a ciò che accade all’interno del veicolo, il sistema osserva anche l’ambiente esterno grazie a telecamere aggiuntive installate sul mezzo. Durante la marcia, il sistema è in grado di individuare e classificare elementi presenti sulla strada, come:
- buche e anomalie del manto stradale
- biciclette e monopattini
- pedoni
- cumuli di rifiuti abbandonati
Ogni elemento rilevato viene associato automaticamente alla propria posizione GPS, generando mappe di calore utili a individuare le zone della città con maggiore criticità stradale o ambientale. In questo modo, ogni autobus della flotta diventa anche un “sensore mobile” che raccoglie informazioni preziose per la manutenzione urbana, senza bisogno di veicoli o rilevazioni dedicate.
Perché conviene alle aziende di trasporto pubblico
Esteso a gran parte della flotta dell’azienda di trasporto pubblico barese, il sistema ha permesso di individuare le fermate più strategiche della rete – come i grandi nodi di interscambio e le fermate periferiche con funzione di collegamento – offrendo indicazioni concrete su dove intervenire per migliorare la frequenza del servizio, alleggerire la congestione nei nodi centrali o potenziare i collegamenti nelle zone meno servite.
In sintesi, un sistema integrato di conteggio passeggeri e monitoraggio stradale consente alle aziende di trasporto di:
- conoscere in tempo reale l’occupazione effettiva di ogni mezzo
- pianificare frequenze e capienze in base a dati reali e non a stime
- individuare in autonomia i punti critici della rete e le priorità di intervento
- monitorare lo stato delle infrastrutture stradali senza costi aggiuntivi dedicati
- programmare interventi di manutenzione in modo più mirato ed efficiente
L’integrazione tra deep learning, computer vision e IoT sta ridefinendo il modo in cui il trasporto pubblico può essere monitorato e gestito. Non si tratta più soltanto di sapere “quante persone sono salite”, ma di avere un quadro continuo, affidabile e georeferenziato sia dell’interno del veicolo che dell’ambiente urbano circostante.
L’attrezzaggio della flotta, avviato inizialmente come sperimentazione, si è progressivamente trasformato in una soluzione consolidata e pienamente operativa. L’esperienza maturata a Bari dimostra che il sistema garantisce prestazioni elevate non solo in laboratorio, ma anche nelle reali condizioni di esercizio quotidiano, raggiungendo oggi, grazie ai più recenti sviluppi, un’accuratezza nel conteggio passeggeri superiore al 99%.
Fonte: IEEE Access (2026) “Integrated Passenger Flow Analysis and Street-Level Monitoring for Public Transport Management Using Deep Learning and IoT” di M. G. Paganelli, M.Gallo, P. R. Massenio, D. Naso
