Искусственный интеллект учится «читать» дороги
Учёные Московского автомобильно-дорожного института (МАДИ) представили платформу MADI-Speed-AI – систему, где искусственный интеллект берёт на себя почти весь инженерный цикл: от разбора документов до поиска опасных участков.
На кафедре «Автоматизированные системы управления» МАДИ создали MADI-Speed-AI – AI-native-платформу для моделирования скоростных режимов автомобилей. Её задача – помогать проектировать дороги, анализировать транспортные потоки и заранее выявлять потенциально опасные места. Особенность системы в том, что ИИ здесь не просто «подсказывает», а фактически управляет всем рабочим процессом: LLM-агент переводит задачу, сформулированную инженером обычным языком, в формализованный запрос, отдельные ИИ-агенты извлекают параметры из файлов, проверяют их на соответствие ГОСТам и логическим ограничениям, а затем в работу вступает детерминированное математическое ядро, которое выполняет сам расчёт динамики и скоростей. Завершает цикл AI-аналитик: он интерпретирует результаты, выделяет рискованные участки и формулирует предварительные выводы.
Платформа построена на микросервисной архитектуре, в базе системы – 42 модели транспортных средств, 156 профилей дорог общей протяжённостью около 1,2 тысячи километров, а точность расчётов достигает 98,7 % по сравнению с натурными данными. При этом разработчики подчёркивают, что это исследовательский прототип, а не готовый инструмент для принятия решений по безопасности.
Будущее платформы
Главная перспектива MADI-Speed-AI – превратиться в промышленное инженерное решение. Разработчики планируют научить ИИ-агента не только выявлять проблемы, но и предлагать варианты изменения проекта для повышения безопасности.
Особенно ценной выглядит интеграция платформы с САПР, ГИС и цифровыми двойниками автомобильных дорог. Тогда MADI-Speed-AI станет не изолированным калькулятором, а частью единой цифровой среды: инженер загружает проект, система автоматически анализирует геометрию трассы, моделирует движение разных типов транспорта и подсвечивает проблемные места ещё до начала строительства или реконструкции.
Дорога к «умному» проектированию
Развитие цифровых технологий в дорожной отрасли в России шло поэтапно. С 2021 года в рамках нацпроекта ИТС начали внедрять в 22 субъектах России – их задачей была автоматизация управления движением и повышение безопасности. К 2024 году такие системы работали уже в 62 агломерациях, анализируя загруженность дорог и выявляя небезопасные участки.
Важным шагом стало создание цифрового двойника трассы М-11 «Нева» в 2023–2024 годах. Параллельно МАДИ и «Единый оператор» исследовали, как цифровая инфраструктура помогает предотвращать аварийные ситуации на платных трассах – это направление близко к сути MADI-Speed-AI.
В мире аналогичные подходы тоже набирают обороты. Например, Google Project Green Light использует ИИ и данные карт для моделирования движения на перекрёстках и рекомендаций по настройке светофоров. В Пекине интеллектуальные светофоры автоматически меняют продолжительность зелёного сигнала в зависимости от потока, снижая индекс загруженности дорог примерно на 19 %. Эти примеры показывают, что тренд на «умное» управление транспортом и инфраструктурой стал глобальным, и российская разработка вписывается в него, делая акцент на инженерной надёжности и сочетании ИИ с проверенными расчётами.
Место в экосистеме проектирования
MADI-Speed-AI отражает сразу несколько важных тенденций российского ИТ: развитие отраслевых ИИ-агентов, создание специализированного инженерного ПО, внедрение цифровых двойников и переход от отдельных ИИ-моделей к комплексным платформам. Её главная особенность – чёткое разделение ролей: генеративный ИИ отвечает за понимание задачи, обработку документов и анализ результатов, а критические расчёты остаются за детерминированной математической моделью. Такой подход лучше подходит для ответственных инженерных систем, где нельзя полностью полагаться на генеративные модели.
В ближайшей перспективе наиболее реалистичным сценарием выглядит проверка платформы на реальных дорожных проектах, накопление доказательной базы и интеграция с российскими ГИС, САПР и системами цифровых двойников. При успешной апробации разработка может стать востребованным отечественным продуктом для проектировщиков и операторов дорог, а в дальнейшем – частью национальной экосистемы цифрового проектирования транспортной инфраструктуры, где прогноз и безопасность закладываются ещё на этапе чертежей.
