Искусственный интеллект отследит автомобильный трафик
13 Мая 2020
Фото: Людмила Ковалева
Южноуральские ученые создают единую умную систему управления транспортными потоками.
«Электронный мозг» поможет контролировать автомобильные потоки в Челябинске и области. На разработанную в рамках проекта «Умный город» интеллектуальную систему мониторинга транспортных потоков в режиме реального времени получен патент, ее готовят к пилотному запуску.
«Наша система в режиме реального времени собирает и отправляет информацию о ситуации на дорогах, — сообщил руководитель проекта «Умный транспорт», доцент кафедры «Автомобильный транспорт» ЮУрГУ Владимир Шепелев. — Одновременно анализируются до 400 параметров, а погрешность данных составляет меньше 10 %. Этого удалось добиться за счет использования обученных нейронных сетей. Мало того, благодаря им намного снизились расходы на серверное оборудование и видеокамеры».
По словам Владимира Шепелева, сейчас ученые разрабатывают алгоритмы обработки больших данных для создания единой системы управления транспортными потоками мегаполиса. Искусственный интеллект способен в автоматическом режиме «проигрывать» сценарии управления дорожным трафиком. Нейросети в режиме реального времени будут мгновенно оценивать его состояние, сигнализировать о заторах и других инцидентах, прогнозировать развитие событий и принимать управленческие решения.
Интеллектуальную систему мониторинга в 2019 году опробовали на одном из перекрестков Тюмени, ею заинтересовался и департамент транспорта Санкт-Петербурга. Но главное применение она найдет в Челябинске, Снежинске и Сатке, которые вошли в федеральный проект Минстроя РФ «Умный город».
Как пояснили авторы системы, она способна сразу же выявлять нарушителей дорожного движения: засекает не только крупные, но и малые авто, а также пешеходов. По мнению экспертов, это решение по точности и скорости передачи информации не имеет аналогов в России и превосходит предшественников.
Чтобы обучить систему, разработчики собрали большое количество данных, для каждого перекрестка около 1000 изображений, сделанных в разное время суток при различных погодных условиях. Это позволило выявить наиболее важные характеристики перекрестков, влияющие на их пропускную способность, делать ее машинный прогноз, составлять схемы ликвидации автозаторов.
«Наша система в режиме реального времени собирает и отправляет информацию о ситуации на дорогах, — сообщил руководитель проекта «Умный транспорт», доцент кафедры «Автомобильный транспорт» ЮУрГУ Владимир Шепелев. — Одновременно анализируются до 400 параметров, а погрешность данных составляет меньше 10 %. Этого удалось добиться за счет использования обученных нейронных сетей. Мало того, благодаря им намного снизились расходы на серверное оборудование и видеокамеры».
По словам Владимира Шепелева, сейчас ученые разрабатывают алгоритмы обработки больших данных для создания единой системы управления транспортными потоками мегаполиса. Искусственный интеллект способен в автоматическом режиме «проигрывать» сценарии управления дорожным трафиком. Нейросети в режиме реального времени будут мгновенно оценивать его состояние, сигнализировать о заторах и других инцидентах, прогнозировать развитие событий и принимать управленческие решения.
Интеллектуальную систему мониторинга в 2019 году опробовали на одном из перекрестков Тюмени, ею заинтересовался и департамент транспорта Санкт-Петербурга. Но главное применение она найдет в Челябинске, Снежинске и Сатке, которые вошли в федеральный проект Минстроя РФ «Умный город».
Как пояснили авторы системы, она способна сразу же выявлять нарушителей дорожного движения: засекает не только крупные, но и малые авто, а также пешеходов. По мнению экспертов, это решение по точности и скорости передачи информации не имеет аналогов в России и превосходит предшественников.
Чтобы обучить систему, разработчики собрали большое количество данных, для каждого перекрестка около 1000 изображений, сделанных в разное время суток при различных погодных условиях. Это позволило выявить наиболее важные характеристики перекрестков, влияющие на их пропускную способность, делать ее машинный прогноз, составлять схемы ликвидации автозаторов.
