TrafficData

Искусственный интеллект помогает строить дороги

Публикации

Искусственный интеллект помогает строить дороги

Впервые в России транспортно-экономические изыскания были выполнены с применением искуственного интеллекта. В рамках проектирования объекта «Северный обход г. Перми», выполняемого ОАО «Институт Гипромстроймост», учет интенсивности движения осуществляется посредством видеосъемки с беспилотного летательного аппарата и последующего анализа видеоматериалов с помощью программного комплекса.

КАК ЭТО ДЕЛАЕТСЯ ПОВСЕМЕСТНО?

Достаточно подробно провел анализ «современных» методов учета интенсиновсти движения профессор МАДИ М.Р. Якивом в своеей монографии «Транспортное планирование: создание транспортных моделей городов» 2013 года. На примере исследований, проводимых в Перми, профессор Якимов рассмотрел три основных способа, применяемых на практике.

Способы оценивались по следующим показателям:
единовременные затраты;
текущие затраты;
временные затраты на сбор/обработку информации;
оценка качества собранных данных.

Анализ показал, что наиболее затратным с точки зрения является третий способ, так как требует установки датчиков под каждую полосу движения. Соотвественно первый способ является наименее затратным. На обработку материалов, собранных первым способом, был потрачен 1 час, вторым — 3 часа, третьим — 15 минут. Самым точным является второй способ, так ка он позволяет производить подсчёт автомобилей с видеозаписи несколько раз, чтобы исключить фактор человеческой ошибки. Поэтому полуавтоматический способ был принят за эталонный. При сравнении с эталоном первый способ показал относительные отклонения от 3 до 33,5%, третий — от 7 до 57%. Такие погрешности третьего способа вызваны неточностями при считывании информации и несовершенством устройств, имеющихся в распоряжении исследователей.

Вывод: сравнительных анализ показал, что для получания исходной информации для единичных перекрестков необходимо использовать полуавтоматического способа сбора информации невозможно на исследуемом перекрестке, то целесообразно использовать натурный способ сбора данных. Сбор данных с использованием датчиков учета транспорта показал недостоверность получаемых данных, погрешности составляют более 20%.

В ЧЕМ ПРОБЛЕМА СТАРОГО ПОДХОДА?

С приходом в нашу жизнь квадрокоптеров способ подсчета с видеофиксацией стал еще более актуальным, так как теперь мы не привязаны к местам, где установлены камеры наблюдения за дорожной обстановкой, и можем охватывать перекресток целиком, что позволяет одновременно фиксировать движение автомобилей по всем направлениям. Однако обработка таких видеоматериалов представляет определенную сложность. Например, определить интенсивность движения в каждом из 9 направлений на круговой развязке в створе улицы генерала Буткова (г. Калининград) оказалось достаточно трудно.

Если учесть, что для определения неравномерности распределения транспортного потока в единицу времени необходимо было проанализировать видео, отснятое в разное время суток на протяжении нескольких дней, то можно представить, какие трудозатраты это повлекло за собой.

ОПЫТ ПРИМЕНЕНИЯ TRAFFIC DATA

Решением задачи стали современные технологии компьютерного зрения и машинного обучения. Построенное на базе новейших архитектур сверточных сетей программное обеспечение TrafficData позволило довести полуавтоматический способ, описанный М. Р. Якимовым, до полностью автоматизированного. В очередной раз искусственный интеллект позволил избавить человека от рутинного утомительного труда.

Как было сказано выше, новый способ был впервые применен при обследовании транспортных потоков на Северном обходе г. Перми, проводившемся в октябре 2019 года командой разработчиков TrafficData по заданию ОАО «Институт Гипростроймост».

В ходе этой работы съемка дорожной обстановки производилась квадрокоптерами на восьми учетных пунктах одновременно. Было осуществлено 200 вылетов, обработано 50 часов видео, благодаря чему удалось получить интенсивность в часы пик и вывести реальное распределение интенсивности в течение дня. Благодаря ПО TrafficData, которое позволяет проанализировать такой объем видеоинформации в кратчайшие сроки, теперь нет необходимости пользоваться коэффициентами неравномерности для определения среднесуточной интенсивности, приведенными в ОДМ 218.2.020-2012 «Методические рекомендации по оценке пропускной способности автомобильных дорог». Известно, что данные коэффициенты определены на основе замеров, выполненных на МКАД с помощью датчиков (см. диссертацию на соискание звания к. т. н. «Закономерности изменения во времени интенсивности городского автомобильного движения», Менделеев Г.А., 2001 г.). По существу, эти данные получены локально и не могут использоваться повсеместно.

ОПИСАНИЕ ПРОЦЕССА В TRAFFIC DATA

Рассмотрим подробнее, как решается задача по анализу транспортных потоков в ПО TrafficData. После того, как видео готово, до получения результата остается всего 4 простых шага:

  1. Скачаваем приложение — Устанавливаем на рабочем компьютере
  2. Загружаем видео — Запускаем распознавание автомобилей
  3. Указываем створы — Для подсчета автомобилей по различным направлениям обрабатываем створы
  4. Выгружаем результаты — По интенсивности и составу транспортных потоков по направлениям

ОСНОВНЫЕ ВОЗМОЖНОСТИ TRAFFIC DATA

  • Точность распознавания автомобилей более 90%
  • Определение 18 типов транспортных средств по СП 34.13330.2012 и СП 396.1325800.2018
  • Обработка видео с наземных камер
  • Обработка видео с БПЛА
  • Обработка видео с камер ночного видения
  • Наличие входного, выходного и сквозного створов с направлением учета автомобилей в одну и в обе стороны
  • Определение направления движения автомобиля (отслеживание траектории движения)
  • Отслеживание автомобиля, проезжающего под мостом и локальными препятствиями (деревья, столбы, рекламные щиты) без разрыва треков
  • Адаптивные створы — створы следуют за ограниченными подвижками изображения
  • Определение скорости автомобилей
  • Скорость обработки: для РиПНБ в 2 раза выше скорости проигрывания видео
  • Наличие инструментов повышения качества распознавания видео: инструмент соединения треков, инструмент исправления типа автомобиля
  • Вывод результатов в Ехсеl
  • Возможность выбора коэффициентов приведения к легковому автомобилю по СП 34.13330.2012, СП 396.1325800.2018, а также пользовательских
  • Расчет суточной интенсивности по ОДМ 218.2.020-2012
  • Генерация видео с результатами обработки

Проверять точность расчетов весьма просто — достаточно просмотреть сгенерированный TrafficData ролик с результатами, где наглядно отображаются подсчет автомобилей при проезде через створы, типы автомобилей и даже их скорость, и убедиться, что ни один автомобиль не упущен из виду

ПЕРСПЕКТИВА РАЗВИТИЯ TRAFFIC DATA

TrafficData применяется в качестве инструмента сбора данных для проектирования автомобильных дорог, развязок, мостов, планирования городов, получения исходных данных для макро- и микромоделирования транспортных потоков.

В целях реализации государственной политики в области организации дорожного движения 18 апреля 2019 года выпущен приказ Минтранса РФ №114 «Об утверждении Порядка мониторинга дорожного движения». В соответствие с приказом необходимо собирать данные о дорожной обстановке по всей сети дорог ежегодно! Это будет стоить стране колоссальных средств, если не научиться автоматизировать данный процесс. TrafficData сегодня находится ближе всех на пути к этой цели. Для этого в будущем году планируется реализовать следующие функции:

  1. Определение задержки транс-порта на перекрестке;
  2. Определение длины очереди из автомобилей;
  3. Учет пешеходов.

Вследствие того, что новая технология сбора данных о транспортном потоке быстрее, экономичнее и точнее, а также с учетом предстоящих объемов работ по мониторингу дорожной сети есть уверенность, что использование интеллектуального ПО, подобного TrafficData, получит все более и более широкое применение. И через некоторое время никто и не вспомнит, что раньше делали по-другому.