Ученые Южно-Уральского государственного университета в рамках национальной технологической инициативы «AutoNet» (проект «Умный транспорт») создали уникальную интеллектуальную систему мониторинга транспортных потоков с использованием искусственного интеллекта, которая не требует специального записывающего оборудования и может работать практически на любом типе камер. Важно и то, что система позволяет моментально обрабатывать данные, полученные в режиме реального времени, в отличие от существующих программ, где обработка ведется с задержкой до 10-15 минут. Статья о результатах исследования опубликована в высокорейтинговом научном журнале «Journal of Big Data» (входит в ТОП-10 наукометрической базы Scopus).
Решение для борьбы с пробками на дорогах
Важнейшим условием формирования современной транспортной инфраструктуры является ее цифровизация. Для качественного управления автомобильным движением и эффективного использования улично-дорожной сети в условиях инфраструктурных ограничений крупных городов, транспортным службам нужны мощные инструменты для анализа движения. Ученые Южно-Уральского государственного университета разработали инновационную технологию по интеллектуальному анализу дорожного движения на основе многокомпонентной системы динамического мониторинга трафика с применением нейронных сетей. При этом они пошли дальше классических методов Data Mining.
«Мы предложили и внедрили новую систему оценки транспортных потоков, которая основана на последних достижениях в задачах обнаружения и отслеживания транспортных средств. В отличие от существующих аналогов, наша система распознает и анализирует в реальном времени направление движения транспортных средств с максимальной относительной погрешностью менее 10%. Ближайшие аналоги способны определять скорость и классифицировать транспорт только в одном направлении и с условием размещения камер над транспортным потоком с точностью до 80-90%. Использование нейронной сети позволяет генерировать до 400-х параметров дорожного трафика в реальном времени на каждом перекрестке. Разработанная учеными ЮУрГУ уникальная система мониторинга AIMS осуществляет сбор, интерпретацию и передачу данных об интенсивности дорожного трафика, классифицирует 10 категорий транспорта, измеряет скорость, уровень текущей загрузки каждого направления перекрестка, определяет дальнейшее направление движения транспортных средств. При этом распознавание объектов в реальном времени на всем перекрестке AIMS производит посредством использования всего одной Full HD камеры уличного видеонаблюдения. Результаты этого исследования могут использованы городскими властями для улучшения общей пропускной способности перекрестка. Мы уже протестировали нашу систему на нескольких перекрестках г. Челябинска для проверки того, что предлагаемое решение обладает достаточной точностью и может в дальнейшем использоваться в качестве основы для других моделей высокого уровня, – рассказывает руководитель проекта Владимир Шепелёв, доцент кафедры «Автомобильный транспорт» Политехнического института ЮУрГУ.
Новая технология позволяет получать данные о структуре транспортного потока, направлениях движения транспортных средств и скоростях в режиме реального времени. Использование технологии интеллектуального анализа данных помогут реализовывать эффективные схемы движения, уменьшать заторы на дорогах и улучшить управление ресурсами.
.jpg)
Фото: Нейронная сеть YOLOv3
Нейронные сети для анализа городского трафика
Современная практика проведения мониторинга дорожного движения зачастую опирается на использование дорогих датчиков для непрерывного сбора данных или на визуальное исследование трафика, который измеряют, как правило, несколько дней в течение определенных периодов времени. При этом транспортные службы не получают полной и точной информации по структуре транспортного потока, его интенсивности, скорости и о дальнейшем направлении движения.
«Мы использовали нейронные сети для обработки больших объемов видеоданных не только для обнаружения и отслеживания транспортных средств, но и для анализа последовательности событий, – продолжает ученый ЮУрГУ. – В процессе разработки технологии, были использованы архитектуры нейронных сетей Mask R-CNN и YOLOv3 с открытым исходным кодом для обнаружения объектов в режиме реального времени, а также трекер SORT, код которого был доработан командой для улучшения качества отслеживания объектов».
Заложенный блок аналитики на основе искусственного интеллекта определяет момент возникновения ДТП, время его устранения, заторное состояние, сбои в светофорном регулировании, оценивает уровень текущей загрузки перекрестка и организации дорожного движения. Это позволяет рассчитать и присвоить KPI каждому направлению движения и транспортному узлу в целом.
.jpg)
Фото: Дмитрий Шепелёв
Повышение эффективности при снижении стоимости мониторинга
В результате оптимизации алгоритмов нейронной сети YOLOv3, ученым ЮУрГУ удалось достичь точности полученных данных на уровне 95% с учетом потерь объектов при трекинге, и значительно снизить стоимость оборудования для мониторинга в реальном времени.
«Искусственный интеллект с машинным зрением выводит сбор данных и анализ дорожного трафика на принципиально новый уровень, позволяя распознавать транспортные средства с гораздо большей достоверностью, чем когда-либо прежде, – говорит Владимир Шепелёв. – Наши сети глубокого обучения легко настраиваются, не требуют специального записывающего оборудования и могут работать практически на любом типе камер».
Над проектом «Умный транспорт» работают преподаватели, аспиранты и студенты Автотранспортного факультета Политехнического института ЮУрГУ совместно с Высшей школой электроники и компьютерных наук.
Созданная учеными Южно-Уральского государственного университета технология позволит повысить эффективность использования городской дорожной инфраструктуры. В ближайшей перспективе технология мониторинга дорожного трафика с использованием искусственного интеллекта станет частью проекта «Устойчивый общественный транспорт» для г. Челябинска.