Компьютер не может понять, как ездят наши автомобилисты, но он может научиться обыгрывать их

Дата публикации: 30.12.2015

Как разгрузить автотранспортные узлы?

«Смешались в кучу кони, люди…» Одно дело на скоростной трассе вести учет трафика, где между автомобилями большая дистанция в силу высокой скорости, другое дело – анализировать потоки машин на городских дорогах и перекрестках, где всё в кучу, особенно, в России.

dd00.jpg

Если один автомобиль хотя бы частично заслоняет собой другие, понять, где он начинается и где заканчивается, крайне проблематично для сегодняшнего уровня развития видеоаналитики. Здесь надо учитывать и тот факт, что размеры Мини-Купера отличаются от Камаза во много раз, поэтому попытки разбить на зоны проезжую часть к каким-то ощутимым результатам не приводят.

d1.jpg

Хотя, конечно, есть и электро-магнитные методы анализа, например «рамочные», но они тоже не любят плотного трафика. В полустоячем варианте ничего невозможно формализовать (где и сколько машин, а где пешеходов, как они расположены, их размеры…) существующими методами, мы это можем только предполагать, причем, с ошибочностью до 70%.

Ах, да, совсем забыли сказать, что в Москве уже создана автотранспортная интеллектуальная система управления транспортными потоками. Причем, очень крутая, судя по затратам в 20 миллиардов (не будем говорить, чего). Если у кого есть возможность, советуем посетить центр управления, зрелище не для слабонервных: люди компьютерами пытаются забивать гвозди.

dd02.jpg

dd04.jpg

Правды ради надо сказать, что система получилась в прямом смысле интеллектуальная, т.к. ей управляют не компьютеры, а люди. Вручную меняя фазы светофоров, они «на глазок» пытаются разгрузить наиболее загруженные трассы. Через час «глядения» на сие интеллектуальное действо становится понятно, что тупое повышение приоритета большому потоку машин приводит к масштабному коллапсу уже на ближайших развязках. Хотя, есть там и асы, кто научился просчитывать «многоходовку», с их заступлением на дежурство пробок становится меньше. Но и они нередко проигрывают шахматные партии в игре с «пробками», все-таки здесь примешивается человеческий фактор.

 

 

dd06.jpgdd03.jpgdd05.jpg

Самое интересное, когда смотришь на все эти камеры московских автострад, понимаешь, что есть в этом какой-то нереализованный алгоритм, который мог бы перераспределить загруженные трассы, если бы учитывал все дороги и дорожки в комплексе. Своим туннельным зрением операторы постоянно борются с конкретной возникшей проблемой, не копая глубоко ее причин. А ведь анализировать надо ВСЁ - в комплексе и ДО того, как возникают пробки. 

dd01.jpg

Что мы можем здесь предложить? Ну, во-первых, ничего определенного. Ничего определенного в том смысле, что компьютер не может сегодня ничего точно определить ни по видеоизображению, ни по другим датчикам (на наших дорогах). Поэтому стандартный подход типа: «давайте посчитаем машины и напишем для них формулу работы перекрестков» - не пойдет. Но для того, чтобы обыгрывать человека в шахматы, машина не обязана знать, что такое шахматы, и что против нее играет человек.

Такой раздел видеоаналитики как видеосемантика направлен на работу с неопределенностями. Есть что-то, что нельзя формализовать, но с этим «что-то» все равно можно производить математические действия. Высшая математика знает много подобных примеров, взять хотя бы арифметику множеств, каждое из которых стремится к бесконечности. Сколько будет, есть сложить два множества, стремящихся к бесконечности? В одном бесконечное число юнитов и в другом, сколько будет в сумме? Ответ прост: «ДВА множества, стремящихся к бесконечности!»

Мы предлагаем не искать человечески формализованного решения задач транспортных потоков, пусть машина решает их на своем - машинном уровне, не пытаясь создавать ошибочные ассоциации с нашим мировоззрением. В том грубом для нас материале, что выдает видеосемантика, тоже есть свои закономерности. Сотни видеоедетекторов обрабатывают изображение, не понимая, почему появляются те или иные фигуры разного свойства, зависящие от размеров, скорости и другого поведения автотранспортных средства. Собственно говоря, для чего нам нужно, чтобы машина понимала картину жизни, как люди? Нам не с кем поговорить? Мы - сотрудники Спецлаба считаем, что компьютер может справиться с просчетом трафика без человеческих понятий о нем.

goal-traff.jpg

Да, он будет считать не автомобили, а какую-то «хрень», извините за доходчивый язык. Для человека это выглядит как множество прямоугольничков разного цвета различной направленности срабатывания (что-то на изменение картинки, что-то на изменение фона, что-то на изменение цвета, что-то на изменение контуров…), всяких стрелочек и углов поворота, всевозможных траекторий и пересечений… Но вся эта «хрень» завязана и напрямую зависит от изменения автодорожной ситуации. Т.е. компьютер понимает дорогу, но по-своему. Вот и не надо заставлять его считать автомобили в штуках или граммах, пусть обсчитывает свою «хрень». Результат будет более точный.

Самое главное свойство логических систем, необязательно компьютерных – возможность самообучения.  Путем наработки истории поведения «хрени» с всевозможными вариантами вмешательства в ее функции, можно оставить такое управление светофорами, которое больше всего подходит нашему пониманию успешности. Конечно, для этого надо задать критерии успеха, понятные самой машине - это максимальные скорости «прямоугольничков», минимальные очереди и стоянки, и т.д.

В Спецлабе создали подобную самообучающуюся программу, где компьютер имеет возможность оперировать с любым числом уже известных и вновь открываемых закономерностей, закладываемых человеком, от характеристик возможного движения одного авто до характерных черт групповых целей. Например, наша последняя закладка «пружина» призвана объяснить машине, как меняется скорость, и длина шлейфа остановившихся на перекрестке транспортных средств после начала движения первой головной машины. Этот момент увеличил эффективность тестовой модели на 15%.

Но все формализованные знания (и сегодняшние и будущие) лишь помогают машине просчитывать неопределенности, из которых по большей части состоит автодорожное движение на российских дорогах. Программа «Спецлаб - Зеленая волна» постоянно перебирает свои настройки и засекает результаты, в конечном счете выставляя наиболее эффективные. Таким образом, мы предложили систему, которая работает на неинтеллектуальных принципах, но работает намного эффективнее, если бы мы сейчас пытались объяснить компьютеру, что конкретно он видит в своих видеокамерах типа - сколько автомобилей, какой марки и крутости.

Конечно такой вариант требует практической проверки на дорогах страны, что пока невозможно без высочайшего разрешения. Но будем пытаться.

palitra.jpg

Как искать автотранспорт, если номера не видно?
Видеосемантика на службе следствия
В нужный момент закрыть глаза
Камеры сами отключаются, когда видят хозяина