Детектор лужи: ИИ найдет ямы и дефекты на дорогах в десятки раз быстрее
Российские ученые представили систему на основе искусственного интеллекта, предназначенную для автоматизированного контроля состояния дорог и выявления с высокой точностью дефектов дорожного полотна — ям, выбоин, нарушений разметки. Реализация технологии стала возможной благодаря комплексному набору решений, в котором совмещены ИИ и виброакустический анализ. Она используется в дорожных лабораториях университетов МТУСИ и МАДИ, в дальнейшем планируется ее практическое применение. Поможет ли методика сделать российские дороги более безопасными и комфортными для водителей — в материале «Известий».
Анализ дефектов дорожного покрытия
Ученые из Московского технического университета связи и информатики (МТУСИ) и Московского автомобильно-дорожного государственного технического университета (МАДИ) создали технологию анализа дефектов рабочего полотна. Теперь с ее помощью можно выявлять проблемы, связанные с нарушениями разметки, выбоинами и другими типами проблем, с которыми не справлялись похожие решения.
Совмещение акустического анализа износа дорожного покрытия и ИИ — относительно новое и перспективное направление. Акустические данные могут быть использованы в качестве дополнительной «модальности» при использовании нейросетевых моделей, рассказала «Известиям» и.о. замдекана факультета «Информационные технологии» (ИТ) по научной работе МТУСИ Ксения Полянцева.
— Разработанная модель позволит автоматизировать обработку изображений асфальтобетонного покрытия, получаемых с помощью автомобильно-дорожных сканеров, для оценки состояния дорожного полотна. Это во много раз ускорит процесс диагностики и планирования ремонтных работ. Ранее, при использовании акустического анализа, датчики, расположенные на дорожной лаборатории, фиксировали звуки окружающей среды и проезжей части, а затем эксперт слушал и оценивал те или иные данные. Сейчас с помощью методов ИИ можно отфильтровать шумы, выделить значимые сигналы и затем классифицировать дефекты, — отметила она.
Разработанная технология на данный момент находится на стадии апробации и используется в дорожных лабораториях МТУСИ и МАДИ. Функционал реализовывается постепенно в ходе выполнения научно-исследовательских работ, уточнили в пресс-службе МТУСИ. Там же сообщили, что в мобильных дорожных лабораториях появляется всё большей нейросетевых моделей, которые оптимизированы для работы на микрокомпьютерах. В пример специалисты привели программу MobileNetV4 (ее создали в Google) для дорожных дронов, которая работает в 10 раз быстрее на компьютерах серии Raspberry Pi.
— Мы уже разрабатываем инструментарий, включающий в себя интеграцию данных из различных источников, таких как лазерные сканеры и радары, для более полного анализа состояния дорог. Также ведутся работы над адаптивными моделями, способными обучаться на ходу и подстраиваться под новые условия эксплуатации. Улучшение интерфейсов и интеграция с системами управления инфраструктурой помогут сделать технологию более доступной и удобной в использовании, — резюмировала Ксения Полянцева.
Плюсы и минусы ИИ-анализа состояния дорог
Разработка перспективна, но ее тиражирование упирается в технологический барьер, связанный с деградацией моделей компьютерного зрения при изменении условий использования системы. Например, связанных с природными особенностями конкретных регионов. Как следствие, точность обнаружения и классификации дефектов различными экземплярами системы на местах может значительно отличаться от номинальной, считает директор Мегафакультета трансляционных информационных технологий университета ИТМО, научный руководитель исследовательского центра «Сильный искусственный интеллект в промышленности, эксперт Центра компетенций НТИ «Технологии машинного обучения и когнитивные технологии» на базе ИТМО Александр Бухановский.
— По этой причине дальнейшее развитие таких решений требует, с одной стороны, внедрения в их алгоритмы элементов автоматического машинного обучения, способных эффективно настраивать структуру нейросети для учета специфики использования в конкретном районе. С другой стороны, необходимо продумать и единую облачную экосистему для постоянного обучения самих моделей ИИ на вновь поступающих данных, — добавил он.
С технической точки зрения интеграция акустического анализа с ИИ — действительно прорывной подход за счет автоматизации рутинных процессов и повышения точности диагностики. Однако остаются вопросы к масштабируемости: как система поведет себя в условиях сильных помех, например в плотном городском трафике или при плохой погоде, уточнил старший преподаватель кафедры киберспорта факультета игровой индустрии и киберспорта университета «Синергия» Даниил Аржаков.
— Кроме того, заявленная скорость обработки требует независимых тестов — часто подобные решения «тормозят» при работе с реальными данными. Если разработчики смогут решить эти проблемы, технология имеет все шансы стать стандартом во всей отрасли, — сказал он.
В условиях необходимости системного подхода к управлению жизненным циклом дорожных объектов технология может обладать значительным потенциалом к масштабированию и апробации, в том числе в национальных проектах и госпрограммах, направленных на модернизацию и цифровизацию транспортной отрасли, считает директор АНО «Спортивно-методический центр «Кафедра киберспорта», проводящей комплексные научно-практические исследования в области высоких технологий, киберспорта и искусственного интеллекта, Виктория Береснева. По ее словам, технология имеет все шансы получить массовое применение.