Алгоритмы улиц: в РФ создали нейросеть для отслеживания транспорта
Она поможет различать типы машин даже при нестабильной частоте кадров и ограниченной видимости
EN
Российские ученые разработали нейросеть для отслеживания транспорта при плохом освещении. Функционально это интеллектуальная система трекинга и классификации ТС. С помощью технологии LightHead автомобили можно различать даже при нестабильной частоте кадров, дефиците видимости и ограниченной вычислительной мощности компьютера. Она способна динамически распознавать и классифицировать движущиеся объекты — это особенно важно в городских условиях, где угол обзора и освещение могут меняться. При этом полноценное тестирование в реальных условиях еще не проводилось.
Что такое умная трекинг-система для транспорта
Специалисты МТУСИ научили нейросети отслеживать автомобили даже при нестабильной частоте кадров, плохом освещении и ограниченной вычислительной мощности. Они адаптировали технологии компьютерного зрения под реальные условия. Разработанный алгоритм позволяет точно «узнавать» объект, даже если тот временно пропадает из кадра, перекрывается другими транспортными средствами или съемка осуществляется на недорогую камеру с низким разрешением.
Эксперты взяли за основу детектор объектов DeepSORT и адаптировали его к работе с облегченными нейросетевыми моделями, такими как комплексная система YOLO-NAS — это новейшая ИИ-модель обнаружения объектов.
Затем ученые внедрили динамический пропуск кадров (по 1–3 за раз), сохранив точность идентификации объектов. Такой подход очень важен для автономных систем, видеонаблюдения и беспилотных платформ, где экономия ресурсов критична.
— Наша задача — сделать так, чтобы отслеживание работало не только в условиях дата-центра с соответствующими мощностями, но и на уличной камере в небольшом городе, где может быть слабый сигнал, а запись осуществляется с пропуском кадров, — объяснил кандидат технических наук, доцент кафедры программной инженерии МТУСИ Тимур Потапченко.
Как пояснил эксперт, сейчас ученые тестируют сочетание с моделями YOLOv5 и YOLOv8, их технология претендует на новое поколение YOLO-моделей. Она получила имя TrackFusion. Близится запуск пилотного проекта в рамках трекинга на перекрестке с нестабильным освещением и высоким трафиком — реальные камеры, реальный городской поток, сообщили разработчики «Известиям».
Вторым аспектом применения трекинга стала задача «видеть» автомобиль и понимать, какой он. В базовой версии алгоритмы могут спутать легковой автомобиль с грузовым автомобилем — особенно при плохом ракурсе. Специалисты добавили в DeepSORT дополнительную классификационную надстройку, которая «дообучает» модель — по мере накопления данных из разных кадров, что позволяет динамически повышать точность определения типа объекта. Она получила название LightHead и создана на основе легковесной нейросети, также известной в классификации как CNN.
— Такой подход работает как «второе мнение» — если первое срабатывание дало неточный класс, система имеет шанс скорректировать свое решение, — уточнил магистрант МТУСИ Юрий Садыев.
Распознавание транспортных средств
Данную разработку можно будет использовать не только в качестве самостоятельного инструмента, но и в качестве основы для создания различных решений в сфере логистики и безопасности. Система может быть востребована среди федеральных и региональных органов власти (МВД, Минтранс, Росавтодор, Росстат, Минцифры), логистических компаний и ритейлеров, например, для выбора наиболее оптимальных маршрутов с учетом загруженности трасс автомобилями различных типов, считает заместитель директора по трансферу технологий Центра компетенций НТИ по направлению «Технологии хранения и анализа больших данных» на базе МГУ Тимофей Воронин.
— Разработка выглядит весьма перспективной с широким спектром применения. Можно отметь два момента — возможность работы при плохом освещении и при небольшой вычислительной мощности, что делает модель для классификации транспортных средств доступной и привлекательной. Доступность также обуславливается и тем, что небольшие компании смогут позволить использование данной модели без больших расходов на мощности, — добавил он.
Технологии компьютерного зрения на данный момент могут классифицировать объекты по заранее определенным данным. Однако процесс определения в городских условиях затрудняется постоянно меняющимся ландшафтом, временами года, погодными явлениями, освещением из-за смены дня и ночи и прочих факторах. Также система может, например, определить близко летящую птицу как машину, считает генеральный директор группы компаний ST IT Антон Аверьянов.
— Подобные системы сейчас применяются для прогнозирования трафиков, интеллектуального переключения световых сигналов на перекрестке и оптимизации движения авто, поэтому особенно важно, чтобы они правильно определяли транспортные средства и постоянно развивались. Именно эту технологию улучшили и доработали эксперты из МТУСИ. Теперь после прохождения тестов технологию можно будет внедрить для использования. Точность детекции и предсказания трафика в интеллектуальных системах улучшится, благодаря чему перекрестков с использованием такой технологии станет больше, — отметил он.
По словам эксперта НТИ «Автонет» Игоря Мишина, разработка позволит улучшить оперативность мониторинга транспортных средств и повысить безопасность на дорогах. Возможно, нейросеть поможет находить угнанные авто, распознавать людей и отслеживать помехи на проезжей части. Помимо автодорог нейросеть найдет применение в сфере обслуживания трасс и работы экстренных служб.
Дорожный ИИ остается одним из передовых направлений в развитии умных городов во всем мире. Применение нейросетей в городской жизни развивает инфраструктуру для высокоавтоматизированных транспортных средств — беспилотных автомобилей, беспилотного такси, — которые становятся частью нашей жизни. Многие мировые столицы активно развивают алгоритмы ИИ для автоматизации городских процессов и улучшения управления транспортной сетью. Москва в этом отношении задает свои тренды, входит в число цифровых лидеров, отметил эксперт.
IT-эксперт и преподаватель университета «Синергия» Алексей Ермаков считает, что авторам проекта необходимо сохранять баланс между адаптацией существующих наработок и развитием собственных инноваций. При этом идея совместить модели типа YOLO-NAS с алгоритмами трекинга типа DeepSORT демонстрирует рациональный подход — вместо создания технологий «с нуля» она модернизирует и дорабатывает уже проверенные методы. Это позволило ученым МТУСИ экономить ресурсы и в идеале ускорять внедрение новых технологий в промышленные и транспортные задачи, резюмировал он.
