В основе системы лежит сверточная нейросетевая модель, распознающая элементы дорожной инфраструктуры и участников движения. Алгоритм обнаруживает дорожную разметку, светофоры, дорожные знаки, пешеходные переходы, легковые и грузовые автомобили, после чего анализирует их расположение, плотность потока и характер перемещения.
Следующий этап работы напоминает принципы современных мультимодальных систем искусственного интеллекта. Полученные данные передаются языковой модели, которая преобразует информацию из видеопотока в связный текстовый отчёт, понятный человеку. В финале система автоматически присваивает дорожной ситуации одну из категорий: низкая загруженность, средний трафик или высокая интенсивность движения.
Разработчики подчёркивают, что ключевое отличие проекта от существующих решений заключается именно в переходе от простого распознавания объектов к пониманию дорожной сцены в целом. Вместо перечня обнаруженных автомобилей и светофоров система способна сформировать подробное описание происходящего.
Например, итоговый отчёт может выглядеть следующим образом: «В течение 30 секунд по дороге двигались 12 легковых автомобилей и два грузовика. Пешеходный переход не использовался. Светофор функционировал в штатном режиме. Итоговая оценка — средняя загруженность трафика».
По словам научного руководителя проекта Егор Антонянц, подобный формат значительно упрощает работу с большими массивами данных. Текстовые отчёты можно индексировать, искать по ключевым словам и автоматически анализировать без необходимости просматривать часы видеозаписей с камер наблюдения и видеорегистраторов.
Среди потенциальных пользователей технологии разработчики называют дорожные службы, аналитические центры, страховые компании и операторов интеллектуальных транспортных систем. В перспективе решение может быть интегрировано в существующие сети городского видеонаблюдения и использоваться для мониторинга дорожной ситуации в режиме реального времени.
Одним из главных преимуществ системы в НГТУ называют её низкие требования к вычислительным ресурсам. Это позволяет использовать алгоритмы без дорогостоящих серверов и специализированных ускорителей, а также облегчает внедрение на уже существующей инфраструктуре. Кроме того, разработка изначально создавалась с учётом особенностей российских дорог и организации движения, что потенциально должно повысить точность анализа по сравнению с зарубежными решениями, обученными преимущественно на иностранных датасетах.
Источник: https://tass.ru/nauka/27851525
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
