Пермские ученые создают альтернативу GPS
Исследователи Пермского политехнического университета разработали революционную систему мониторинга общественного транспорта на основе искусственного интеллекта, которая распознает номера автобусов с дорожных камер с точностью 82% без использования GPS-трекеров.
Камеры заменяют спутники
Ученые Пермского национального исследовательского политехнического университета создали интеллектуальную систему мониторинга общественного транспорта, которая работает без использования GPS-навигации. Технология работает автономно даже при слабом сигнале мобильной связи и может интегрироваться с существующей городской инфраструктурой видеонаблюдения. Система распознает автобусы на видеопотоке с дорожных камер с точностью 82% при скорости анализа 25-30 кадров в секунду и передает актуальную информацию о маршрутах пассажирам в режиме реального времени через чат-бот.
Для распознавания транспорта исследователи протестировали различные программы и выбрали нейросетевую модель YOLO, которая демонстрирует превосходство в скорости идентификации мелких деталей на изображениях вроде номеров маршрутов. Модель обучали на тысячах изображений.
Ключевой особенностью разработки стала устойчивость к различным погодным условиям — алгоритм корректно работает при дожде, бликах и низкой освещенности. Чтобы минимизировать ошибки, алгоритм не делает вывод на основе одного кадра: каждый автобус распознается многократно. Вся собранная информация передается пассажирам и диспетчерам через специально разработанный чат-бот, где в реальном времени можно увидеть актуальную обстановку на дороге.
Значимость проекта выходит за рамки локального эксперимента. Для российских граждан внедрение системы означает более точную информацию о движении автобусов и меньше задержек благодаря лучшему контролю над общественным транспортом. Для регионов это возможность повысить точность и надежность мониторинга без затрат на GPS-трекеры.
Широкие перспективы
Масштабируемость пермской разработки открывает широкие перспективы для внедрения технологии в других муниципалитетах России. Ключевым преимуществом является возможность интеграции с существующей инфраструктурой: камерами ГИБДД, городскими системами наблюдения и частным оборудованием при получении соответствующих разрешений. Система не требует мощных серверов и может быть легко внедрена в любых населенных пунктах, что существенно снижает затраты на модернизацию транспортного контроля.
Российские города демонстрируют устойчивый спрос на ИИ-решения для управления общественным транспортом. Технология может стать частью систем умного города с интеграцией в городские цифровые платформы и диспетчерские службы. Возможны дополнительные функции: не только определение номера автобуса, но и распознавание маршрута, скорости, остановок и технического состояния транспортного средства. В перспективе система может использоваться для оптимизации расписания движения общественного транспорта и создания единой сети мониторинга, не зависящей от спутниковой связи.
Экспортный потенциал разработки связан с возможностью предложить технологию зарубежным городам, особенно там, где инфраструктура GPS-трекеров слабая или дорогостоящая. Однако потребуется адаптация под местные условия и законодательство.
Российский опыт
Пермская разработка развивается в контексте масштабного внедрения искусственного интеллекта в российские транспортные системы. Южно-Уральский государственный университет в Челябинске создал систему на базе ИИ для мониторинга транспортных потоков, работающую практически на любых камерах без необходимости дорогостоящего оборудования. В Москве внедрена система ИИ-управления светофорами с гибкой схемой и алгоритмами для контроля и оптимизации работы светофорных сигналов в режиме реального времени.
Столичная интеллектуальная транспортная система включает камеры, которые идентифицируют 13 типов инцидентов на МКАД — от остановки машины в полосе движения до задымления. Система фотовидеофиксации способна автоматически фиксировать 64 вида нарушений, при этом 100% фиксаций проходит через нейросети. Благодаря комплексам фотовидеофиксации количество автомобильных краж в Москве с 2012 года существенно снизилось.
Санкт-Петербург достиг 92,3% уровня цифровой зрелости с 100% цифровизацией сферы общественного транспорта. Весь подвижной состав оборудован системой безналичной оплаты, которой пользуются 98% пассажиров, и бортовым навигационно-связным оборудованием. В городе работают комплексы фотовидеофиксации, которые с помощью нейросетей распознают более сорока видов нарушений — от переполненных урн и сугробов до происшествий и задымлений.
Перспективы цифровой революции
Пермская разработка открывает новую эру в развитии технологий мониторинга городского транспорта в России. Разработанная модель показала способность стабильно работать в реальных условиях, что создает основу для коммерциализации технологии.
Среднесрочные планы до 2030 года предполагают интеграцию с городскими платформами умного города и мобильными приложениями для пассажиров. Ранее студенты Пермского Политеха уже создали алгоритм компенсации задержек передачи местоположения транспорта, который позволяет свести запоздания к минимуму при слабом сигнале или большой нагрузке внутри мобильной сети. Объединение этих технологий создаст комплексную систему мониторинга, превосходящую по надежности, существующие GPS-решения.
Для российской технологической отрасли пермская разработка становится примером успешного применения искусственного интеллекта в городском хозяйстве и создает основу для экспорта отечественных решений на глобальный рынок умных городов.
