Команда ученых ЮУрГУ продолжает работу в области мониторинга автомобильного транспорта в рамках проекта «Умный транспорт». Специалисты совершенствуют созданную ими программу с применением нейронных сетей. В последнем исследовании особое внимание уделили измерению скорости автотранспорта: точность предложенной учеными методики превысила 90%. Результаты исследования были опубликованы в высокорейтинговом журнале «Journal of Big Data» (Q1).
Искусственный интеллект измерит скорость потока с высокой точностью
Рост числа автотранспорта – одна из проблем современных крупных городов. Интенсивность движения в часы пик достигает и зачастую превышает фактическую пропускную способность перекрестков. Из-за высокой концентрации дорожного движения увеличивается количество ДТП, и даже незначительные дорожные инциденты приводят к заторам. Интеллектуальные транспортные системы (ИТС) должны оперативно, в режиме реального времени, выявлять, прогнозировать и реагировать на изменения параметров дорожного движения. В современных условиях ИТС – это развернутая уличная сенсорная сеть, использующая обзорные камер для получения цифровых данных из визуального потока. К производительности системы сбора и интерпретации данных предъявляются высокие требования, однако, в ряде случаев у оборудования низкое разрешение и частота кадров, а также возникает проблема перекрытия угла обзора камеры столбами, знаками и другими инфраструктурными объектами. Это приводит к снижению точности подсчета и определения скорости транспортных средств.
.png)
Ученые Южно-Уральского государственного университета второй год занимаются этой проблемой, предлагая все новые способы ее решения. Ими уже создана уникальная программа, которая в режиме реального времени собирает и отправляет информацию о ситуации на дорогах. Одновременно анализируются до 400 параметров, а погрешность данных составляет меньше 10%. На программное обеспечение получен патент.
В новом исследовании команда ученых разработала и протестировала методику измерения скорости транспорта, превосходящую существующие аналоги. Процесс измерения осложняется большим количеством возможных траекторий движения, а также направлением центра обзора камеры, которое не перпендикулярно траекториям движения транспортных средств.
«Целью исследования является разработка системы качественного и полного сбора данных в режиме реального времени, таких как интенсивность транспортного потока, направления движения и средняя скорость движения транспортного средства. При этом данные собираются в пределах всей функциональной зоны перекрестков и прилегающих участков дорог, которые попадают в зону действия камер уличного видеонаблюдения. Наше решение основано на использовании архитектуры нейронной сети YOLOv3 и трекера с открытым исходным кодом sort. Основные характеристики YOLO были улучшены с помощью дополнительной ветви маски и оптимизации формы якорей», — рассказал к.т.н., доцент кафедры «Автомобильный транспорт» Автотранспортного факультета Политехнического института ЮУрГУ Владимир Шепелёв.
.png)
Инновационная методика управления трафиком
Чтобы сформировать набор данных для нейронной сети, ученые разметили шесть тысяч изображений и выполнили их расширение, регулируя фокусное расстояние, угол и высоту установки камеры. Используя разработанный метод оптического потока, они определили скорость движения контурных пикселей. Таким образом, скорость транспортного средства (км/ч) рассчитывалась из соотношения между пикселями изображения и шириной дороги. Кроме того, координаты исходного автомобиля преобразовывались в географические.
Такой метод протестировали ночью и днем на шести перекрестках Челябинска. Абсолютная процентная точность подсчета транспортных средств составила не менее 92%, а погрешность определения скорости автомобиля не превышала 1,5 километра.
В результате ученые получили методику, которая дает возможность генерировать полные и качественные данные управления трафиком в реальном времени, снижая требования к периферийному оборудованию. Технологию смогут применять в городах, где существуют проблемы с регулированием трафика, для их быстрого и эффективного решения.
Представители ЮУрГУ отметили, что исследования будут продолжаться. Пока не решены в полной мере проблемы перекрытия и блокирования объектов, детальной классификации транспортных средств, определения сложности аварийных ситуаций. В настоящее время все озвученные задачи исследуются специалистами кафедр «Автомобильный транспорт» и «Прикладная математика и программирование» (Политехнического института и Института естественных и точных наук ЮУрГУ) в рамках междисциплинарного проекта «Умный транспорт» и будут в ближайшее время реализованы.
Южно-Уральский государственный университет – это университет цифровых трансформаций, где ведутся инновационные исследования по большинству приоритетных направлений развития науки и техники. В соответствии со стратегий научно-технологического развития РФ университет сфокусирован на развитии крупных научных междисциплинарных проектов в области цифровой индустрии, материаловедения и экологии. В рамках данных направлений исследуются объекты металлургии, машиностроения, энергетики, ЖКХ, безопасного пространства городской инфраструктуры и комфорта человека.
ЮУрГУ – участник Проекта «5-100», призванного повысить конкурентоспособность российских университетов среди ведущих мировых научно-образовательных центров.
СМИ о нас:
Известия: Рабочий трафик: на Урале испытали систему управления потоком машин
Урал-пресс-информ: В Челябинской области создали искусственный интеллект для слежки за транспортом