Платные дороги известны с XV века и используются во многих странах.

Видеоклассификаторы АКТС-4 установлены компанией RUTOLL на платном участке «Северный обход Одинцова» федеральной дороги М1.

Пример изображения с видеокамеры АКТС.

При въезде на полосу установлен детектор присутствия транспортного средства, который работает на принципе электромагнитной индукции, то есть фактически реагирует на металлические детали, которые есть в любом автомобиле.

Церемония вручения премии Правительства Москвы молодым учёным за 2015 год. На фото (слева направо): Антон Григорьев, Тимур Ханипов, Сергей Семёнович Собянин, Елена Кузнецова (февраль 2016 года).

Руководитель проекта младший научный сотрудник ИППИ РАН Тимур Ханипов на макете демонстрирует преимущества АКТС-4 послу Федеративной Республики Бразилия в России Антонио Жозе Валлим Геррейро.

Платные дороги известны с XV века и используются во многих странах. В США они составляют более 10% всех дорог, в Италии — более 70%. В России плату за проезд на отдельных участках начали взимать в 1998 году, но дороги, отвечающие международным стандартам, появились только в 2010-м. Сейчас крупнейшими платными участками стали сегменты трасс М1 («Беларусь»), М4 («Дон») и Западного скоростного диаметра (ЗСД) Санкт-Петербурга.

Платные дороги строятся за счёт привлечения частных производственных мощностей и инвестиций: в обмен на право взимания платы за проезд концессионер — то есть организация, которой государство передало какие-либо имущественные права, — обязуется построить и поддерживать дорогу в надлежащем состоянии. Проезд по платной дороге даёт значительный выигрыш в скорости, но оплата проезда обычно требует остановки автомобиля, что сильно ограничивает скоростной режим. Поскольку сумма к оплате зависит от типа транспортного средства (тяжёлые грузовики платят больше, спецтехника проезжает бесплатно), требуется кассир-оператор, который проверяет правильность суммы. Труд кассира надо оплачивать, что неблаготворно сказывается на тарифах. Кроме того, человек может ошибиться из-за усталости либо малого опыта работы.

Организации, обслуживающие платные дороги, предпочли бы брать деньги в зависимости от веса автомобиля, поскольку именно этот параметр влияет на износ покрытия. Однако существующие системы взвешивания в движении слишком дороги в установке и обслуживании, поэтому используются только в особых случаях, например на пограничных пропускных пунктах.

Классификация автомобилей по количеству осей и высоте распространена во всём мире. Довольно легко измеримая габаритная высота пропорциональна грузовому объёму, тогда как количество осей напрямую связано с максимальной грузоподъёмностью автомобиля. Для подсчёта колёсных осей существует несколько решений. Например, можно определять давление колёс на дорожную поверхность, но такие датчики требуют встраивания в дорожное полотно и изнашиваются вместе с ним. Другой вариант определить число осей — подсчитать, сколько раз колёса пересекут световой или (реже) ультразвуковой луч. В этом случае датчики встраивают в бордюр вблизи поверхности дороги. К сожалению, они склонны выходить из строя при загрязнении, что в условиях осадков, особенно снега, сводит на нет все преимущества автоматизации, приводя к большому количеству ошибок и требуя постоянного присутствия дворника.

По всей видимости, большинство разработчиков подобных систем не рассчитывали на тяжёлый российский климат. Разочаровавшись в готовых системах европейского производства, Санкт-Петербургская компания RUTOLL, занимающаяся разработкой и установкой оборудования для пунктов оплаты проезда, в 2010 году обратилась за помощью в Институт проблем передачи информации им. А. А. Харкевича Российской академии наук. Решением задачи занялись сотрудники лаборатории зрительных систем института под руководством кандидата физико-математических наук Дмитрия Николаева. Лаборатория уже имела опыт разработки инновационных технологий анализа изображений, теперь же требовалось создать интеллектуальную систему, которая определяла бы все необходимые характеристики автомобиля по изображению с видеокамеры. Действительно, кассир-оператор прекрасно справляется с подсчётом количества осей и приблизительной высоты, опираясь исключительно на зрительное восприятие. Конечно, искусственному интеллекту пока ещё далеко до естественного, и речь не идёт о «зрении вообще», то есть о восприятии окружающего мира на сравнимом с человеком уровне. Однако отдельные узкоспециальные задачи компьютерного зрения успешно решаются ещё с 1970-х годов.

Системы технического зрения начали внедрять в 1970-х годах в Японии при сборке электронных компонентов. Это позволило построить первую в мире полностью автоматическую сборочную линию, а повышение уровня автоматизации привело к удешевлению компонентов для построения самих зрительных систем.

Автоматический классификатор транспортных средств АКТС-4 регистрирует и «сортирует» проезжающие автомобили по высоте и количеству колёсных осей, используя видеокамеры и алгоритмы компьютерного зрения. Видеокамера — это универсальный сенсор, который позволяет определять самые разные характеристики автомобилей, в том числе скорость, специальную маркировку, а при надлежащем расположении — распознавать регистрационный номер. И что важно с экономической точки зрения, расширение функциональности возможно простым обновлением программного обеспечения без замены оборудования. Кроме того, результаты работы такой системы легко проверять в случае конфликтных ситуаций, ведь человек может без труда интерпретировать визуальные данные, чего нельзя сказать о сигналах, с которыми имеют дело другие системы классификации.

В 2011 году в стенах ИППИ РАН создали прототип классификатора и продемонстрировали его на одном из участков дороги М4. Убедившись в том, что задача принципиально может быть решена, молодая команда продолжила работу.

Рассказывает младший научный сотрудник ИППИ РАН, лауреат премии Правительства Москвы за 2015 год Антон Григорьев:

«Первым делом мы наладили непрерывный сбор видеоданных с прототипа. Поскольку пункт взимания платы на М4 был ещё не достроен, к нему не было нормального доступа для выкачивания данных по сети, и, чтобы получить примеры проезда различных автомобилей в различных условиях наблюдения, поначалу приходилось регулярно ездить туда с переносным жёстким диском.

Все записанные и отобранные данные затем нужно было разметить вручную. Можно даже сказать, что разметка данных вручную — один из основных видов деятельности при разработке распознающих систем, ведь невозможно поставить задачу, не указав достаточного количества примеров. Это, кстати говоря, становится неприятным открытием для студентов, которые приходят в институт, рассчитывая сразу приступить к разработке новых алгоритмов, а приходится заниматься подготовкой проверочных данных для тестирования будущих алгоритмов.

Задача оказалась сложнее, чем предполагалось вначале: требовалось сделать не один классификатор, а целый программно-аппаратный комплекс, который определяет класс автомобиля как на въезде на пункт взимания платы, так и на выезде из него. Комплекс должен управлять шлагбаумом: открывать его при успешной оплате и закрывать после того, как автомобиль проехал. А это крайне ответственная задача, ведь несвоевременно опущенный шлагбаум может ударить выезжающий автомобиль».

На решение задач взаимодействия с внешними системами и доводку распознающих алгоритмов до требуемых характеристик ушло ещё четыре года. За это время команда разработчиков увеличилась до 20 человек, а объём записанных и размеченных вручную тестовых данных стал измеряться десятками тысяч видеозаписей и сотнями тысяч изображений автомобилей.

Цифра «4» в названии АКТС-4 — не номер версии, никакого АКТС-3 не существовало, это количество видеокамер, используемых системой. Когда потенциальные возможности системы только обсуждали, было предложено несколько вариантов установки камер: от двух до шести. В результате сошлись на четырёх: две — на въезде на пункт взимания платы, две — на выезде. Камеры в каждой паре установлены с разных сторон дороги, чтобы бороться с засветкой солнцем. Прямой солнечный свет ослепляет любую зрительную систему, и, чтобы надёжно работать в ясную погоду, нужно иметь возможность выбирать ту камеру, которая в данный момент не засвечена.

Сейчас эксплуатируется несколько сотен экземпляров АКТС-4, установленных на пунктах оплаты подмосковных автомагистралей М1 и М4, а также Западного скоростного диаметра (ЗСД) Санкт-Петербурга. АКТС-4 работает с точностью 99,7 процента, и здесь учтено, что отдельные типы ошибок, наподобие пропуска машины либо несвоевременного закрытия шлагбаума, имеют существенно больший «вес», чем обычные ошибки классификации. Кстати говоря, методика их учёта потребовала отдельного исследования. Главное же свойство системы в том, что она сохраняет высокое качество работы в самых сложных условиях, будь то сильный снегопад, туман или даже отключение ночного освещения на пункте взимания платы.

АКТС-4 зарекомендовал себя как более надёжная и точная система, чем зарубежная, применявшаяся ранее. Благодаря использованию видеокамеры возможности российской системы не ограничены тем, что в неё заложено заранее: заменив программное обеспечение, можно научить классификатор определять дополнительные характеристики — если, конечно, они видны на изображении.

***

● Комплексами АКТС-4 оборудованы более 200 полос. Ежедневно обрабатываются параметры почти 500 тысяч проезжающих автомобилей.

● В разработке АКТС принимали участие студенты и выпускники МГУ, МФТИ, МИСиС и МИРЭА. В частности, Антон Григорьев защитил магистерскую диссертацию в МФТИ по разработке первого прототипа АКТС; Елена Кузнецова пришла в команду, обучаясь на последнем курсе МИСиС; в данный момент готовит к защите кандидатскую диссертацию в аспирантуре ИППИ РАН; Тимур Ханипов — выпускник мехмата МГУ.

№5, 2016