Нейронные сети для контроля за соблюдением правил дорожного движения, предупреждения и распознавания дорожно-транспортных происшествий
Автор: Боровик Дарья Александровна
Рубрика: 7. Технические науки
Опубликовано в
LXII международная научная конференция «Исследования молодых ученых» (Казань, июнь 2023)
Дата публикации: 29.05.2023
Статья просмотрена: 80 раз
Библиографическое описание:
Боровик, Д. А. Нейронные сети для контроля за соблюдением правил дорожного движения, предупреждения и распознавания дорожно-транспортных происшествий / Д. А. Боровик. — Текст : непосредственный // Исследования молодых ученых : материалы LXII Междунар. науч. конф. (г. Казань, июнь 2023 г.). — Казань : Молодой ученый, 2023. — С. 23-33. — URL: https://moluch.ru/conf/stud/archive/494/18036/ (дата обращения: 27.04.2024).
В статье проводится рассмотрение вопроса применения средств фото- и видеофиксации правонарушений в области дорожного движения, для предупреждения дорожно-транспортных происшествий, аварийных ситуаций, иных случаев, представляющих угрозу жизни, здоровью водителя и пассажиров эксплуатируемых транспортных средств, или распознавания случившихся. Рассматривается роль нейронных сетей и перспектива их применения как системы видеоаналитики для детектирования событий, опасных и потенциально опасных ситуаций, производится описание их типов, обозначение преимуществ и недостатков.
Ключевые слова: ДТП, ПДД, ГИБДД, повреждения, травмы, водитель, пассажиры, автомобиль, АТС, ТС, нейросеть, нейронная сеть, фото- и видеофиксация, дорожное движение, безопасность, жизнь, здоровье, смертельный исход, тяжесть, принцип действия, технологии, системы, компоненты, факторы, транспортно-трасологическая экспертиза, «NNs», «ANNs»,перцептрон, нейронные сети с прямой связью, рекуррентные нейронные сети («RNN»), сверточные нейронные сети («ConvNets», или «CNN»), «TrafficData», «RoadAR Analytics», Уоррен МакКаллох, Уолтер Питтс,Фрэнк Розенблатт, Дональд Хебб, распознавание ДТП, развитие, организация.
Актуальность изучения вопроса связанного с безопасностью дорожного движения обуславливается прежде всего своевременным реагированием на нарушение правил дорожного движения. Развитие современных технологий помогает это сделать на должном уровне, а интеграция нейронных сетей способствует повышению качества наблюдения, фото- и видеофиксации нарушений, а значит и своевременному реагированию на нарушения и применении тех или иных мер наказания.
Целью исследования является анализ применяемых технологических средств фото- и видеофиксации, искусственного интеллекта нейронных сетей для предотвращения и детекции дорожно-транспортных происшествий, создающихся аварийных ситуаций.
Федеральный закон (ФЗ) от 10.12.1995 N 196-ФЗ «О безопасности дорожного движения» определяет правовые основы обеспечения безопасности дорожного движения на территории Российской Федерации (РФ). Его задачами являются: охрана жизни, здоровья и имущества граждан, защита их прав и законных интересов, а также защита интересов общества и государства путем предупреждения дорожно-транспортных происшествий (ДТП), снижения тяжести их последствий [1].
Согласно ст. 2 ФЗ от 10.12.1995 N 196-ФЗ «О безопасности дорожного движения», ДТП — это событие, возникшее в процессе движения транспортного средства (ТС) по дороге и с его участием, при котором погибли или ранены люди, повреждены ТС, сооружения, грузы либо причинен иной материальный ущерб [2].
Правила дорожного движения (ПДД) — это набор правил, регулирующих обязанности водителей ТС и пешеходов, а также технические требования, предъявляемые к ТС для обеспечения безопасности дорожного движения.
Современные условия социального развития требуют постоянного совершенствования средств и методов оперативного предупреждения правонарушений, позволяющих также оперативно привлекать нарушителей к ответственности. Ключевым направлением решения данной задачи в настоящее время является использование различных средств видео- и фотофиксации окружающей обстановки. Особенную актуальность эти средства приобретают в контексте осуществления контроля за безопасностью дорожного движения, исключения правонарушений в этой сфере. Данное обстоятельство обусловлено в первую очередь значительным увеличением количества ТС — участников дорожного движения, что повышает необходимость обеспечения их личной безопасности.
Необходимо отметить, что в настоящее время организация дорожного движения воспринимается в качестве важной государственной задачи. Организация дорожного движения, несомненно, представляет собой специфическое направление государственной политики, что естественным образом определяет особенности нормативно-правового регулирования данной сферы.
Руководствуясь позитивным зарубежным опытом, система фотовидеофиксации активно начала развиваться в 2008 г. — с принятием норм Кодекса Российской Федерации об административных правонарушениях, позволяющих привлекать к административной ответственности за правонарушения в области дорожного движения, выявленные с применением работающих в автоматическом режиме средств видео- и фотофиксации. В рамках действия специальной правительственной программы для подразделений Госавтоинспекции (ГИБДД) было закуплено 6 203 комплекса фото- и видеофиксации нарушений ПДД, работающих в автоматическом режиме. Изменения произошли и в действующем законодательстве об административных правонарушениях, в связи с чем был регламентирован особый порядок привлечения к административной ответственности на основании соответствующих данных автоматической фотовидеофиксации [2].
В 2014 году количество выявленных такими приборами нарушений ПДД составило 40 миллионов, что в 138 раз больше, чем в 2008 году, более 90 % которых связано с превышением установленной скорости движения, что и является одной из основных причин высокого уровня смертности на дорогах.
Вместе с тем, быстро набирающая обороты система фотовидеофиксации нарушений, как любое быстро развивающееся направление, начинает опережать обновление нормативной правовой базы, регламентирующей ее использование, вследствие чего в данной деятельности зачастую возникают проблемы, влияющие на стабильность работы системы.
Для решения этих проблем Научный центр осуществляет сбор и анализ сведений о надзорной деятельности с использованием системы фотовидеофиксации, анализирует отечественную и зарубежную нормативную правовую основу в этой области.
Исследование показало, что при сохранении доминирующей доли превышения скорости в выявляемых системой нарушениях ПДД вектор дальнейшего развития системы должен быть направлен на расширение состава фиксируемых нарушений.
В первую очередь наряду с превышением скоростного режима приборы должны фиксировать нарушения, чаще всего являющиеся причинами ДТП (проезда перекрестка, выезда на полосу встречного движения, правил проезда пешеходного перехода и др.).
По мнению специалистов Научного центра, на фоне наблюдаемого в последние годы процесса автомобилизации страны система фотовидеофиксации правонарушений в области дорожного движения может эффективно влиять на снижение дорожно-транспортного травматизма.
Для этого необходимы совершенствование нормативной правовой базы, регламентирующей данную деятельность: внедрение качественно новых комплексов фотовидеофиксации нарушений ПДД и реализация принципа неотвратимости наказания. Сотрудничество заинтересованных в решении перечисленных проблем ведомств и учреждений должно быть нацелено на единый результат — сохранение жизни и здоровья людей.
В начале ноября 2020 года центр организации дорожного движения (ЦОДД) Москвы сообщил о том, что вскоре камеры начнут фиксировать два новых вида нарушений ПДД: использование водителем смартфона во время управления ТС или непристегнутый ремень безопасности.
По словам специалистов ЦОДД, в рамках тестирования камер было доказано, что софт на основе нейронных сетей и «Big Data» способен безошибочно определять руль, руки, телефоны и ремни безопасности, то есть распознавать нарушение по заданным алгоритмам, и делать высококачественные фотографии нарушений со скоростью 25 кадров/секунду. Лицо водителя при этом, как подчеркивают чиновники, будет размыто для защиты персональных данных.
После фиксации нарушения на камеру действует знакомая всем водителям РФ схема: составление постановления, проходящее через инспектора, затем уведомление отправляется на почту собственника ТС.
Согласно статистическим данным о нарушениях правил дорожного движения, зафиксированных в 2021 году Госавтоинспекцией с помощью автоматических комплексов вынесено 145,5 млн. штрафных постановлений. Это на 19,2 % больше, чем в 2020 году. Отметим, по данным Росстата, в 2020 году в РФ проживало 146,7 млн. человек [3].
Глава МВД России Владимир Колокольцев 1 июля 2022 года запретил сотрудникам ГИБДД использовать мобильные комплексы фотовидеофиксации, работающие в ручном режиме, а также сообщил о сокращении аварийности на дорогах из-за превышения установленной скорости движения. По его словам, это стало возможным, в том числе, благодаря развитию системы фотовидеофиксации нарушений ПДД [4].
На сегодняшний день, по подсчетам министерства, на российских дорогах работает 23 400 комплексов фотовидеофиксации. Функционал стационарных и передвижных комплексов позволяет фиксировать различные составы нарушений ПДД в автоматическом режиме.
Первые ограничения на использования радаров были введены еще в 2016 г. Тогда Колокольцев поручил органам ГИБДД на региональном уровне прекратить применение в повседневной деятельности мобильных средств фото- и видеофиксации нарушений ПДД [4].
Так в Москве начала действовать фиксация нарушений ПДД с помощью нейронной сети, что позволит решить две важные задачи: исключить ситуации, когда камера неверно распознает государственный регистрационный номерной знак (ГРНЗ) и штраф за это получает невиновный; упростить выявления мошеннических действий по подмене ГРНЗ. До этого, после распознавания ГРНЗ автомобиля из базы данных ГИБДД выгружалась марка ТС, далее специалист ЦОДД во время первичной обработки проверял, чтобы марка соответствовала автомобилю на изображении. На данный момент этот процесс стал автоматизированным, нейросеть сама сверяет данные фиксации с базой ГИБДД и определяет марку автомобиля автоматически по габаритам и очертаниям. Вместе с тем, материалы со всех комплексов фото- и видеофиксации будут проходить проверку. Если комплекс зафиксировал признак нарушения, автомобиль автоматически будет проверен на соответствие марки и ГРНЗ при помощи нейросети [3].
Уже сейчас нейронная сеть способна идентифицировать ТС более 100 брендов, например, в московском регионе они охватывают около 95 % всех автомобилей [3].
Нейронные сети (англ. «neural network», «NNs») или искусственные нейронные сети (англ. «artificial neural network», «ANNs») — это обобщенное название для математических моделей и программ, построенных по принципу организации и функционирования биологических нейронных сетей — сетей нейронов человеческого мозга. Главная особенность искусственных нейросетей, из-за которой они стали настолько популярны, — способность обучаться и действовать на основе прошлого опыта, а не только по заранее прописанным алгоритмам [5].
Нейронные сети часто воспринимают как что-то новое и революционное. Однако разработки в этой области начались еще в первой половине XX века, после того как Уоррен МакКаллох и Уолтер Питтс в 1943 году сумели создать первую математическую модель принципов работы нейрона. В свой работе «Representation of Events in Nerve Nets and Finite Automata» ученые описали в виде функций простую математическую модель, которая работает как биологический нейрон: принимает входные данные, обрабатывает их и возвращает результат [5].
В 1957 году Фрэнк Розенблатт, используя работы Уоррена МакКаллоха и Уолтера Питтса, а также Дональда Хебба (предложил первый алгоритм обучения), изобрел перцептрон — воспринимающий и распознающий автомат, который является первой искусственной нейронной сетью [5].
Следующий существенный прорыв в области «ANNs» произошел лишь спустя 60 лет: в 2006 году Джеффри Хинтон описал алгоритмы глубокого обучения многослойных «ANNs» на базе ограниченной машины Больцмана (англ. «restricted Boltzmann machine», «RBM»). При этом Хинтон также сформулировал основную концепцию обучения алгоритмов нейронных сетей: чтобы получить готовое быстро работающее решение для решения конкретной задачи, NN нужно обучать на множестве реальных примеров (например, фотографий различных кошек в разных позах и на разных фонах) [5].
Благодаря глубокому обучению (и большим данным) «ANNs» стали по-настоящему обучаемы. Так, уже в 2012 году нейронная сеть смогла превзойти человека в распознавании изображений в рамках конкурса «ImageNet». А в 2015 году «AlphaGo» стала первой в мире программой, которая сумела выиграть в шахматы у профессионального игрока без гандикапа.
Архитектура искусственной нейронной сети состоит из трех и больше слоев: входной, выходной и один или больше скрытых узлов. Сейчас для создания «NNs» по умолчанию используется глубокое обучение, поэтому скрытых узлов обычно несколько. Каждый слой «NNs» состоит из вычислительных блоков («нейронов»), которые принимают данные от предыдущего слоя, обрабатывает их, выполняя с ними простые вычисления, и передают эти данные следующему слою [5].
Входной слой принимает входные данные в нескольких различных форматах, например яркость, контраст, цвет, линии или другие характеристики изображения, если это фотография. Скрытый слой отвечает за поиск скрытых закономерностей и функций с помощью простых вычислений. Выходной слой как бы подытоживает все расчеты и выдает ответ в форме заключения, действия и / или прогноза. Если ответ верный или просто выше некоего порога «правильности», то нейронная сеть как бы «усиливает» те вычисления («нейроны»), которые его дали. И наоборот [5].
Таблица 1
Виды нейронных сетей
|
N п/п |
Вид |
Описание |
|
1 |
Однослойная нейронная сеть (англ. «Single-layer neural network») |
сеть, в которой сигналы от входного слоя сразу подаются на выходной слой, который и преобразует сигнал и сразу же выдает ответ |
|
2 |
Многослойная нейронная сеть (англ. «Multilayer neural network») |
состоит из входного слоя, выходного слоя и одного или нескольких скрытых слоев. Причем несмотря на то, что их также называют многослойные перцептроны («MLP»), важно отметить, что они состоят из сигмовидных нейронов, а не перцептронов (первые лучше справляются с обработкой нелинейных задач) |
|
3 |
Сети прямого распространения (англ. «Feedforward neural network») |
искусственные нейронные сети, в которых сигнал распространяется строго от входного слоя к выходному. В обратном направлении сигнал не распространяется |
|
4 |
Сети с обратными связями (англ. «Recurrent neural network») |
искусственные нейронные сети, в которых выход нейрона может вновь подаваться на его вход. В более общем случае это означает возможность распространения сигнала от выходов к входам |
Таблица 2
Преимущества и недостатки нейронных сетей
|
Преимущества |
Недостатки |
|
Самообучаемость — главная особенность и преимущество искусственных нейронных сетей. Достаточно создать базовый алгоритм, а дальше дать ему примеры для обучения (например, фото людей, если вы хотите, чтобы ваша нейронная сеть искала людей на фото) и смотреть на результаты. При этом алгоритм сам решает, как достичь нужной цели, часто находя неочевидные для людей решения. Более того, нейронная сеть не просто самообучаемая, она разработана для непрерывного самообучения и улучшения своих результатов. После того как система обучена, по мере использования программа или приложение становятся более удобными для пользователя |
Проблема «черного ящика» — не известно, как и почему нейронная сеть приходит к тому или иному результату |
|
Эффективная фильтрация шумов в данных — способность вычленять из огромного непрерывного потока данных только нужную им информацию, игнорируя все посторонние шумы |
Вероятностный характер ответов |
|
Адаптация к изменениям — после краткого периода адаптации к изменениям во входных данных она продолжит работать с той же эффективностью |
Продолжительность разработки |
|
Отказоустойчивость — решения на базе нейронных сетей остаются работоспособными даже после выхода из строя части нейронов. Это может повлиять на точность и/или скорость работы алгоритма, но ее ответы будут по-прежнему логичны, рациональны и правильны |
Количество данных — для их обучения обычно требуется гораздо больше данных, чем традиционным алгоритмам машинного обучения |
|
Большие возможности — нейронные сети работают как человеческий мозг, то есть после обучения они могут выполнять самые разные задачи в самых разных областях — от повышения конверсии в онлайн-магазине до поиска планет, похожих на Землю, в космосе. Главное, чтобы было достаточно наборов реальных или синтетических данных для обучения |
Современные алгоритмы глубокого обучения на базе искусственных нейронных сетей требуют нескольких недель, а иногда и лет для обучения с нуля. Тогда как для обучения большинства традиционных алгоритмов машинного обучения требуется гораздо меньше времени: от нескольких минут до нескольких часов |
|
Скорость работы — огромная скорость работы как по сравнению с обычными компьютерными алгоритмами, так и в сравнении с человеческим мозгом. Скорость их работы обусловлена лишь доступными им вычислительными мощностями (видеокартой, облачными сервером или дата-центром). Обычно это означает, что они выдают решение почти мгновенно |
Пермские разработчики из IT-компании «TrafficData» создали модуль из двух компонентов: математического алгоритма (оценивает время остановки, скорость и направление движения транспорта, а также дорожную обстановку и реакцию людей) и нейросети (определяет факт столкновения и повреждения авто, сбитых пешеходов или возгорание), который распознает ДТП по камерам видеонаблюдения. Нейросеть определяет ДТП и сигнализирует о нем диспетчеру с вероятностью в 90 % [6].
Решение пермских разработчиков накапливает статистику о времени остановки автомобилей на каждом из контролируемых участков независимо друг от друга. Это позволяет системе выявить транспорт, который находится без движения нетипично долго (например, если человек начал выходить из машины, обходить ее, ставить красный треугольник или долго стоит, то с большой вероятностью случилось ДТП). При этом алгоритм динамично пересчитывает время, например, в случае возникновения дорожного затора, «видит» эти поведенческие паттерны и дает сигнал [6].
Оперативное выявление произошедшей аварии позволит сократить время информирования. По задумке разработчиков, это может снизить время ожидания сотрудников ГИБДД и даже спасти жизни пострадавших в ДТП при необходимости вызова экстренных служб на место происшествия. Для обучения алгоритмов пермские разработчики использовали порядка 20 тысяч видео ДТП с камер видеонаблюдения из разных городов, в том числе из Перми. Сейчас «TrafficData» заканчивает тестирование модуля совместно с «Оператором скоростных автомагистралей» на западном скоростном диаметре в Санкт-Петербурге [6].
Еще одна из систем система видеоаналитики для детектирования событий, опасных и потенциально опасных ситуаций — «RoadAR Analytics» (точность распознавания — 99 % — точность измерена на тестовых видео в дневное время; число ложноположительных срабатываний в сутки на 1 камеру («False positive») — до 1/сутки; число кадров в секунду 10 FPS (frames per second); качество видео «FullHD» (рекомендуемое качество видеопотока)) — позволяет оперативно обнаруживать факты ДТП и оповещает оператора о необходимости действовать согласно инструкции [7].
Эффективность использования данных средств при обеспечении безопасности дорожного движения обусловлена в первую очередь их функциональным ресурсом — современные камеры автоматической фиксации позволяют вести статистику по перекресткам, подсчет и классификацию ТС, детекцию ДТП, распознавать ГРНЗ, марки, модели и цвета ТС, распознавать лица, вести технический мониторинг, контролировать стерильные зоны (зона, в которой не допускается появление объектов (людей, животных, ТС)), детектировать огонь, дым, животных, пешеходов, движения в запрещенном направлении, падения средней скорости транспортного потока, выпавших и оставленных предметов, остановки ТС, затора, превышения количества объектов заданного типа в зоне [7].
Анализ практического опыта применения технических средств видеофиксации для обеспечения безопасности дорожного движения позволяет рассматривать их в качестве одного из наиболее эффективных факторов, обеспечивающих минимизацию совершения правонарушений в сфере дорожного движения. В частности, они позволяют обеспечивать круглосуточный контроль транспортных потоков на автомобильных дорогах и пересечениях любой степени сложности, осуществлять с достаточной степенью достоверности одновременную фиксацию нескольких правонарушений, которая сопровождается непрерывной видеозаписью и распознаванием ГРНЗ ТС. Такие функциональные возможности позволяют в десятки раз повысить эффективность надзора за соблюдением правил дорожного движения, а также существенным образом уменьшить число совершаемых правонарушений [8].
Таким образом, применение технических средств видеофиксации позволяет существенным образом снизить латентность правонарушений, совершаемых в сфере дорожного движения. Рассматривая позитивный контекст применения технических средств видеофиксации правонарушений в области дорожного движения, необходимо также учитывать дифференциацию функционального назначения применяемых технических средств, т. е. их ориентирование на фиксацию наиболее значимых правонарушений.
При этом, количество вышеуказанных технических средств на дорогах постоянно возрастает. Так, в 2018 г. количество дорожных камер на дорогах России выросло на 20 %. Всего на указанный момент функционировало 15,5 тыс. комплексов фотовидеофиксации нарушений ПДД, из которых 11,2 тыс. камер фиксировали превышение скорости, 1,6 тыс. приборов контролировали проезд без остановки стоп-линии, 1,3 тыс. — выезд на встречную полосу и проезд на запрещающий сигнал светофора, 751 прибор следил за нарушениями правил стоянки или остановки, 706 ед. контролировали движение по выделенной полосе, 375 ед. — движение по обочине, 321 ед. — разворот в запрещенных местах, 634 ед. — нарушение требований дорожных знаков и разметки [9].
Литература:
- Федеральный закон от 10.12.1995 № 196-ФЗ (ред. от 30.07.2019) «О безопас- ности дорожного движения» // СЗ РФ.- 1995.- № 50, Ст. 4873.
- Распоряжение Правительства РФ от 27.10.2012 № 1995-р Об утверждении Концепции федеральной целевой программы «Повышение безопасности дорожного движения в 2013–2020 годах» // СЗ РФ. 2012.- № 45.- Ст. 6282.
- Официальный сайт «РБК». URL: https://www.rbc.ru/society/03/07/2022/62c191319a79472406780195 (03.03.2023)
- Официальный сайт газеты «Ведомости». URL: https://www.vedomosti.ru/auto/news/2022/07/01/929512-gibdd-zapretili-ispolzovat-ruchnie-radari (03.03.2023)
- Официальный сайт «MEREHEAD». URL: https://merehead.com/ru/blog/pros-cons-neural-network-architecture/ (03.03.2023)
- Официальный сайт компании ООО «РоадАР» (RoadAR). URL: https://roadar.ru/solutions/road-accident-detection/ (03.03.2023)
- Официальный сайт сетевого издания «59.ру». URL: https://59.ru/text/business/2022/06/17/71418638/ (03.03.2023)
- Шарухнова Д. Н., Капусткин Н. А. Технические средства фото- и видеофиксации нарушений правил дорожного движения: история и перспективы развития // Обеспечение общественной безопасности и противодействие преступности: задачи, проблемы и перспективы. — Краснодар, 2017. — С. 348–355.
- Официальный сайт сетевого издания «Коммерсантъ». URL: https://www.kommersant.ru/doc/5874771 (03.03.2023)
