Трасса М-11 «Москва – Санкт-Петербург»: компьютеры на современной дороге

Собственно, проблема сбора платежей является для таких дорог ключевой. Износ дорожного полотна – а значит, и расходы на ремонт – зависят от веса транспортного средства; чем он больше, тем выше должен быть тариф. На пограничных пунктах машины взвешивают, однако для дорог общего пользования это слишком дорого и долго. Поэтому чаще всего здесь оценивают габариты транспорта: длину и высоту (общую и отдельно капота), количество колесных осей. Сочетание этих параметров позволяет выделять легковые (две оси), грузовые (две-три) и тяжелые грузовые (свыше трех осей) автомобили. Соответственно начисляется и плата.

Кассир-оператор легко справляется с задачей такой классификации. Но, чтобы передать наличные кассиру, потребуется либо замедлить ход автомобиля, либо вовсе остановиться. Это снова тормозит поток и провоцирует очереди. Но главное – значительно увеличиваются расходы. Чтобы избежать серьезных очередей, даже на двухполосной дороге придется установить не меньше четырех круглосуточных пунктов оплаты. По подсчетам американских экономистов, необходимый для этого штат способен «съесть» до трети выручки компании. Более того, операторы легко проводят часть платежей «мимо кассы», нанося прямой убыток.

Но в эпоху интернета вещей и искусственного интеллекта все, что может быть автоматизировано, автоматизируется, включая и платные дороги. Первым решением проблемы стали оптопары или лазерные лучи. В обоих случаях низко, на уровне колес автомобиля, ставятся излучатель и фотоприемник, генерирующий электрический сигнал. Проезжающая машина разрывает луч между ними, и сигнал прерывается: если у машины две колесные оси – два раза, если три – то три.

Чтобы избежать ложных срабатываний от случайного прерывания луча птицей или просто сугробом, такие системы дополняют индукционными петлями, вмонтированными в асфальт на въезде и выезде из пункта оплаты. Они реагируют только на относительно большие металлические объекты и позволяют фиксировать сам факт проезда автомобиля.

Системы автоматической классификации транспортных средств (АКТС), основанные на оптопарах, эффективны и дешевы. Но не в России. Они хорошо зарекомендовали себя в странах с теплым климатом, однако в условиях, когда холода задерживаются на полгода и дольше, их постоянно облепляет и заваливает снег. Другой «национальной» проблемой оптопар оказались популярные в нашей стране широкие брызговики. Как обычно, нам пришлось идти своим путем.

Новые подходы к решению проблемы АКТС нашли в Институте проблем передачи информации (ИППИ) им. А. А. Харкевича РАН. Идея состояла в использовании пассивных сенсоров – обычных видеокамер, которые просто «смотрят» на проезжающие машины, но сами никакой активности (например, излучения) не проявляют. «Есть много задач, с которыми человек справляется успешно, – говорит сотрудник лаборатории зрительных систем ИППИ РАН Сергей Гладилин, – и автоматизировать их желательно в таком же ключе».

Система получила название АКТС-4. Последняя цифра здесь не номер версии, а количество задействованных камер: по две в каждой из двух зон регистрации транспортных средств. Теоретически АКТС может работать и от одной камеры, но на практике этого недостаточно. Каждая ошибка чревата претензиями и судебными исками со стороны водителей, и при интенсивном трафике это может обернуться огромными убытками. Поэтому надежность системы требуется довести хотя бы до 99,5%. В АКТС-4 точность составляет 99,7%.

Использование двух зон АКТС позволяет найти правильный ответ даже в случае, если первая пара камер дала неверный или странный результат. Известен целый ряд таких ситуаций, например «проблема джипов». В момент торможения перед первым шлагбаумом капот машины слегка опускается, а при разгоне на выезде – приподнимается. Даже замерив все корректно, система иногда получает совершенно разные классы машин. Введя определенные поправки, такие ошибки можно исключить.

Другой пример – «проблема сдвига очереди». Представьте, что первый пункт АКТС минуют три машины: белая, синяя и красная. Из-за засветки или по другой причине классификатор пропускает белую. Поэтому вторая пара камер АКТС сравнивает ее с синей, синюю – с красной и т. д. – возникает систематическая ошибка. Справляется с ней алгоритм коррекции: при возникновении несовпадения система делает повторное сравнение со сдвигом в ту и другую сторону. Если результат заметно улучшается, то происходит исправление.

Центральную роль в работе АКТС-4 играет «техническое зрение», которое анализирует стандартную картинку с камеры. Специальные алгоритмы обнаруживают автомобиль, считают его колеса, определяют направление движения. Но прежде чем это произойдет, в дело вступает блок предобработки изображения, отвечающий за получение оптимальной картинки. Ориентируясь на черно-белый шахматный паттерн, установленный напротив объектива, система автокалибровки сама выставляет нужные значения выдержки, коэффициента усиления и диафрагмы. Интересно, что параметры при этом устанавливаются неидеальные, так как силуэт проходящей машины обязательно изменит освещенность в кадре.

Предобработанное изображение поступает в блок-детектор транспортного средства, который определяет факт въезда машины в поле зрения камеры и выезда за его пределы. Здесь работают три алгоритма. Первый сравнивает текущий кадр с предыдущим; если в нем есть большие изменения, это может указывать на появление автомобиля. Другой алгоритм оценивает, насколько загорожен шахматный щит, а третий получает информацию от индукционных петель. Получив подтверждение, в дело вступают следующие алгоритмы – распознавания колес.

Они реализованы на основе метода Виолы – Джонса, который используется для определения лиц мобильными приложениями. В АКТС его дополняет нейронная сеть. Просчитав траекторию движения колес, система вычисляет количество осей. Одновременно с ней работает измеритель скорости. Вместе эти данные позволяют четко установить направление движения машины. А информация от последнего детектора, высотомера, дает возможность построить полноценный «профиль» автомобиля.

Технологии, использованные учеными ИППИ для платных трасс, могут найти и куда более широкое применение. По словам Сергея Гладилина, существуют два принципиально разных подхода к решению задач ориентации и навигации беспилотных автомобилей. Многие разработчики опираются на систему лазерных дальномеров, лидаров, сканирующих пространство вокруг и позволяющих отслеживать расстояние до других объектов. «А теперь представьте, что на загруженном перекрестке встречается штук 20 таких дронов, каждый из которых использует десятки лазерных лучей, – говорит Сергей. – Не будут ли они друг друга слепить? Как себя поведут их системы? Пока ответа на этот вопрос нет».

Альтернативный вариант – использование машинного зрения и распознавание объектов на изображении с обычных видеокамер. На первый взгляд такие алгоритмы сложнее. Однако единожды решив ключевые проблемы, эти программы можно использовать в самых разных обстоятельствах, легко масштабировать и адаптировать. Если человек успешно справляется с навигацией по изображению, то и искусственный интеллект скоро научится делать это не хуже нас. Такая технология пассивна, и даже сотни роботов, собравшихся в одном месте, не будут мешать друг другу. Идея, позволяющая избавиться от человеческого фактора на платных дорогах, может закончиться отказом от людей и в самих автомобилях.