Ключевой задачей при разработке систем автономного управления городским рельсовым транспортом, от которой зависит предсказание дорожной обстановки и своевременное обнаружение опасностей, является точное определение траектории собственного движения.
Традиционные системы, основанные на цифровых картах и спутниковой навигации, часто дают сбои из-за устаревших данных, неточностей и ошибок в навигационных приборах. Это может приводить к значительным погрешностям в определении пути трамвая, создавая риск ошибок в распознавании объектов и, как следствие, дорожно-транспортных происшествий.
Альтернативный подход, разработанный компанией Cognitive Track Detector, заключается в определении траектории движения непосредственно по изображениям с камер. Такая система позволяет с высокой точностью обнаруживать опасные объекты на пути следования.
Особую сложность представляют разветвления и пересечения путей, где визуально отличить свой путь от встречного или чужого затруднительно. В этих случаях нейросети не только распознают путь, но и разделяют его на полосы движения, выделяя все возможные направления. Для определения нужной траектории система использует вспомогательные сигналы, такие как включение водительских указателей поворота.
Технология Cognitive Track Detector успешно эксплуатируется на “умных” трамваях в Санкт-Петербурге более полугода, повышая безопасность движения на 20-25%. Для обучения нейросетей был собран обширный массив данных, включающий различные погодные условия, время суток и сезонные изменения, а также нестандартные ситуации (дорожная сцена в депо, мойки, условия работы дворников, разные варианты покрытия). Антропоморфный подход, основанный на зрительном восприятии, считается универсальным, однако для каждого конкретного случая внедрения требуется доменная адаптация и дообучение моделей.
«Мы используем современные трансформенные подходы, что позволило достичь качественно иного результата в задачах автопилотирования. Мы берем данные с камер всего флота «умных» трамваев, поступающие практически круглосуточно. У нас есть декоррелированное облако данных: мы собираем его так, чтобы данные максимально не были похожи друг на друга. Наши технологии позволяют собирать максимально репрезентативные данные автоматически и отфильтровывать из видеопотока «мусор» — данные, которые уже присутствуют в выборке и не влияют на обучение. На практике это дает учет всех погодных условий, к которым наши нейронные сети полностью инвариантны», – приводит слова ведущего разработчика систем компьютерного зрения и автопилотирования для городского рельсового транспорта Геннадия Савицкого портал «Коммерсантъ».