06 декабря 2021

Во имя безопасности: на базе МГУ им. Ломоносова разработали умную систему контроля дорожного движения

Создать систему анализа и контроля дорожного трафика, которая сможет без помех работать в любых погодных условиях, удалось специалистам Платформы Национальной технологической инициативы на базе МГУ имени М.В.Ломоносова. Осуществлять сбор данных система будет с помощью отражаемого радиосигнала, а обрабатывать — с помощью специально обученной нейросети.

 

Транспортный апокалипсис

День Благодарения 2012 года запомнился жителям штата Техас, США, не только праздничной атмосферой и ароматами запечённой индейки. Утром 22 ноября там, на скоростном шоссе в 15 километрах от города Бомонт, произошла одна из самых массовых автокатастроф в истории. Её участниками стали 150 легковых и грузовых автомобилей.

Причина аварии в сильном тумане и загруженности дорог по случаю праздника. Небольшое столкновение нескольких машин и низкая видимость спровоцировали настоящую цепную реакцию. Водители не успевали тормозить, и их машины буквально взгромождались на крыши других транспортных средств. Из-за чего многие люди оказались заблокированными в собственных автомобилях до приезда спасателей.

В результате трагедии погибла пожилая пара. В их внедорожник влетел многотонный тягач. Ещё 90 человек были доставлены в больницу с травмами разной степени тяжести. Общая протяжённость участка дороги, на котором произошла авария, составила около трёх километров.

По данным ГИБДД России, в 2020 году в нашей стране произошло 145 тысяч автомобильных аварий. Погибли 16 тысяч человек, что равно численности небольшого города. Ещё 183 тысячи получили травмы разной степени тяжести. Наиболее распространёнными причинами аварий стали несоблюдение правил и несоответствие скорости автомобилей условиям движения.

К увеличению числа дорожных происшествий неизбежно ведёт рост количества транспорта. Он также становится причиной многокилометровых пробок, от которых давно страдают не только жители мегаполисов. Ещё в 2015 году Международная ассоциация автопроизводителей посчитала, что на момент исследования в мире использовалось 947 млн легковых автомобилей и 335 млн единиц общественного транспорта. А согласно подсчётам аналитиков Всемирного банка, в ближайшие 30 лет эта цифра может увеличиться вдвое. Поэтому огромную часть жизни людям приходится проводить в транспорте и ежедневно подвергать свою жизнь опасности.

Контролировать и оптимизировать дорожное движение помогают системы управления дорожным трафиком. Но в каждой из них есть как плюсы, так и минусы. И, к сожалению, недостатки в работе таких систем имеют весьма печальные последствия.

 

Первые шаги умных систем 

Стремительное увеличение количества автомобилей в середине ХХ века повлекло за собой развитие целой научной дисциплины — теории транспортных потоков. Она изучает модели движения транспортных потоков, процесс их формирования и функционирования. Одним из первых, кто не просто описал все эти вещи, но и сделал это максимально подробно и понятно, стал американский учёный Дональд Р. Дрю. В своей монографии «Теория транспортных потоков и управление ими» он рассказывает о решении разных транспортных проблем, а также затрагивает практические задачи, связанные с регулированием движения.

Эти знания стали отправной точкой в разработке умных систем сбора данных о дорожном трафике и управления движением. В них входят наборы различных датчиков, установленных на дорогах; средства их связи с главным компьютером; специальное программное обеспечение для обработки поступающих от датчиков данных и принятия решений по регулированию трафика; устройства оповещения участников дорожного движения (например светофоры или цифровые карты) и другое. 

В числе первых умных систем контроля трафика была система под названием Automated Traffic Surveillance and Control (ATSAC). Она была запущена перед Олимпийскими играми 1984 года в Лос-Анджелесе и работала сразу на нескольких сотнях перекрёстков. В её основе лежали дистанционно управляемые светофоры и простейшие датчики движения — индуктивные катушки. Их устанавливали прямо в асфальт. Выглядит такой датчик как небольшой моток проволоки с магнитной сердцевиной. Регистрация автомобиля происходит за счёт искажения магнитного поля. Меняется оно именно в момент прохождения автомобиля, имеющего металлическую массу, над магнитной катушкой. Такие датчики стоят довольно дёшево, но требуют дорогостоящих дорожных работ для их установки. Кроме того, их срок службы слишком короткий, ведь разрушаются они вместе с дорожным покрытием. Несмотря на всё это, система ATSAC помогла увеличить скорость автомобильного движения на 16% и сократить время поездок на 12%.

Сейчас для контроля автомобильного потока и скорости его движения активно применяются, например, видеокамеры. Они размещаются над дорогой и фиксируют изображение или видео. Затем с помощью специального программного обеспечения проводится анализ полученных данных на предмет загруженности дорог, скорости движения как автомобильного потока в целом, так и отдельных машин и других параметров. Но и у видеодетекторов есть свои недостатки — их работа сильно затруднена в условиях плохой видимости (тумана, дождя или метели). К тому же, оборудование для таких систем имеет высокую стоимость. Поэтому учёные находятся в непрерывном поиске новых способов контроля трафика.

 

Искусственный интеллект на страже безопасности

Создать систему обеспечения дорожной безопасности, которая будет стоить дешевле аналогов и не уступит им по качеству работы, удалось специалистам Платформы Национальной технологической инициативы (НТИ) на базе МГУ имени М.В.Ломоносова. Работает новое изобретение с помощью радиосигнала и нейросети. И, по словам создателей, не требует точной настройки, в отличие от уже применяемых систем.

Разработка российских учёных предполагает использование изолированных друг от друга микроконтроллеров — передатчика и приёмника радиосигнала. Это электронные устройства, «мини-компьютеры», оснащённые антеннами и способные обмениваться данными в диапазоне работы Wi-Fi.

Один из ключевых инструментов в новом устройстве — это радиосигнал. Он передается посредством радиоволн — колебаний электромагнитных полей, которые распространяются со скоростью света. Эти волны недоступны человеческому глазу, но мы можем представить их как, например, тонкую струну волнообразной формы.

Радиоволны рождаются в передатчике радиосигнала под действием переменного электрического тока. Передаются и принимаются радиоволны непосредственно через антенны, которые бывают абсолютно разных размеров и конструкций. Одну из самых простых можно увидеть на старых радиоприемниках — длинная серебристая указка с круглым наконечником.

Антенны содержат металлические, токопроводящие, элементы. В режиме передачи данных антенна получает переменный электрический ток, сгенерированный в передатчике, вследствие чего вокруг неё создается переменное электромагнитное поле и образуется электромагнитная волна, которая и отправляется в пространство. Спустя какое-то время эта радиоволна достигает принимающей антенны. В ней волна преобразуется обратно в переменный электрический ток и отправляется в радиоприёмник, где проходит обработку и преобразование в приемлемый для человека вид: звук, видео и т.д.

Информация, которую необходимо передать, закладывается в радиоволну посредством модуляции, то есть изменения каких-либо её параметров. Например, частоты, количества колебаний волны в секунду, или амплитуды, высоты волны. Для этого в передатчик встроен специальный механизм — модулятор.

Микроконтроллеры для передачи и приёма радиосигнала, разработанные учёными НТИ, размещаются над дорогой. Передатчик отправляет радиосигнал, в который заранее встроены необходимые для анализа пакеты данных, в сторону проезжей части. Сигнал отражается от транспорта или от людей, изменив вследствие удара свои характеристики, и отправляется в приёмник. А он, в свою очередь, отправляет данные по Wi-Fi на компьютер для детального анализа. Последний происходит с помощью нейросети — это ещё одна особенность разработки.

Нейросеть — вид машинного обучения, при котором компьютерная программа работает и обучается по принципу человеческого мозга. Так же, как и мозг, нейросеть состоит из нейронов. Только из искусственных — несложных математических функций. Скопление множества искусственных нейронов образует слои, у каждого из которых своя задача. А объединяются нейроны синапсами — связями, которые передают команды от одного нейрона к другому. И каждая такая связь имеет всего один параметр — цифровой вес. В только что созданной нейросети он распределяется между связями случайно. Но по мере обучения между теми нейронами, которые передают приоритетные и правильные данные, вес связи растет. А о том, какие данные правильные или неправильные, нейросети с помощью компьютерного кода может сообщать человек.

Чтобы обучить нейросеть, в неё нужно загружать как можно больше данных, предоставлять ей информацию для отработки ошибок. И делать это нужно много-много раз. Получая данные и обрабатывая их, нейроны и связи изменяют свои параметры, усложняют функции и алгоритм работы. А значит, после каждого повторения, как и человек, нейросеть будет запоминать всё больше и делать меньше ошибок в своих вычислениях. И в конечном итоге она сможет работать сама, без помощи человека.

Представим, что мы хотим научить нейронную сеть различать марки машин. В самом простом варианте это можно сделать так: загрузить в неё несколько сотен изображений разных автомобилей и попросить найти, например, BMW. Нейросеть преобразует все эти изображения в числовые значения и начнёт пропускать их через слои своих нейронов, своих функций. В результате она выдаст случайный ответ. А мы скажем ей, правильно это или нет. И так, постепенно перебирая изображения, и сравнивая их с правильными ответами, нейросеть учится различать марки автомобилей. То же можно проделывать с данными любого типа (звука, видео, радиосигнала и т.д.) на разных уровнях сложности.

С помощью нейросети, которая вшита в разработку НТИ, можно вести точный подсчёт количества транспортных средств, классифицировать их по типу и скорости движения. А значит, определять степень загруженности дорог. Кроме транспорта, система может распознавать и пешеходов в районе светофоров. Результат своего анализа она представляет в виде таблицы на компьютере.

Использоваться полученные данные будут для адаптивного управления светофорами, построения маршрутов в навигаторах, планирования дорожных работ, а самое главное — для предупреждения дорожных происшествий и оперативного реагирования на них. В дополнение к этому новое устройство устойчиво к самым разным погодным условиям, а его установка не требует каких-то переделок и затрат. К тому же, оно само по себе значительно дешевле фото- или видеосистем по контролю трафика.

 

Автор: Анна Добровольская

По материалам: https://nauka.tass.ru/nauka/11480443

Фото: pixabay.com

 

 

Далее

Руки прочь от моллюсков: российские ученые нашли более экологичный способ получения перламутра

Все
новости