Проблема «слепых зон»: главный вызов автономности
Беспилотный транспорт, медленно, но верно интегрирующийся в городскую среду, сталкивается с фундаментальной проблемой — неидеальностью восприятия. Даже самые современные сенсоры теряют точность в темноте, тумане, при ярком солнце против света или когда часть дороги скрыта другими транспортными средствами или элементами инфраструктуры. Ошибки в определении границ проезжей части чреваты не просто сбоями, а реальными авариями. Учёные Санкт-Петербургского государственного электротехнического университета «ЛЭТИ» заявили о создании алгоритма, который обещает стать решением этой проблемы.Новая разработка представляет собой интеллектуальную систему обработки мультимодальных данных. Она в реальном времени объединяет информацию от лидаров, стереокамер и инерциальных датчиков, чтобы построить максимально точную семантическую карту дорожного пространства. Как пояснила ассистент кафедры САУ Екатерина Масленникова, ключевое отличие — в двухэтапном анализе, который сначала выделяет поверхность дороги, а затем детально сегментирует её на зоны, даже если они частично скрыты.
Двухэтапный анализ: от поверхности к деталям
На первом этапе алгоритм применяет специальный метод для грубого, но надёжного выделения поверхности дороги. Он отсекает всё, что явно не является ею: бордюры, ограждения, столбы, другие автомобили и пешеходов. Этот этап критически важен для начального позиционирования транспортного средства в пространстве и работает даже при значительном дефиците данных.Второй этап — это глубокая семантическая сегментация. Программа анализирует оставшиеся данные и объединяет их в однородные зоны: свою полосу, соседние полосы, обочину, разделительные полосы, зоны ремонта. Алгоритм способен «достраивать» скрытые фрагменты, экстраполируя геометрию дороги на основе уже известных участков и данных инерциальных датчиков о траектории движения.
Адаптивность и устойчивость к «шуму»
Одна из главных сильных сторон разработки — её способность автоматически подстраиваться под плотность и качество поступающих данных. Если лидар из-за дождя или тумана «видит» хуже, система больше полагается на данные стереокамеры, обработанные для компенсации плохой освещённости. Если же камера ослеплена фарами встречного автомобиля, в работу включаются лидары и данные о предыдущих «кадрах» сцены.Эта адаптивность обеспечивает устойчивую работу на больших дистанциях и в условиях, где традиционные системы начинают давать сбои. Алгоритм не требует идеальных входных данных, он рассчитан на работу в реальном, «зашумлённом» мире, что и является главным требованием для массового внедрения беспилотных технологий.
Обучение на 24 тысячах сцен и впечатляющие результаты
Система проходила обучение на огромном массиве данных — 24 тысячах размеченных изображений различных дорожных сцен, включая экстремальные погодные условия, ночное время суток и сложные городские перекрёстки. Такой объём обучения позволил нейросетевым моделям сформировать глубокое понимание геометрии и контекста дорожного пространства.Испытания показали ошеломляющие результаты. По данным пресс-службы ЛЭТИ, применение алгоритма позволило снизить количество ложных срабатываний систем помощи водителю (ADAS) на 23%. Это означает, что системы экстренного торможения или удержания в полосе станут менее нервными и более предсказуемыми для водителя. Ещё более важный показатель — точность определения границ проезжей части выросла на 35%, что напрямую влияет на безопасность.
Интеграция данных на низком уровне
Технической «изюминкой» разработки является ранняя сенсорная интеграция (low-level fusion). В отличие от многих аналогов, где данные с каждого датчика обрабатываются по отдельности и лишь затем объединяются, в системе от ЛЭТИ информация от двух лидаров, стереокамеры и инерциальных датчиков сливается уже на самом начальном этапе обработки.Такой подход позволяет снизить накопленную ошибку, которая неизбежно возникает при последовательной обработке, и резко повышает отказоустойчивость системы. Если один из датчиков временно выходит из строя или даёт заведомо ложные данные, система, опираясь на «сырые» данные остальных сенсоров, может скорректировать или проигнорировать эти помехи, не теряя общую картину.
Сферы применения: не только беспилотные автомобили
Хотя разработка велась в контексте беспилотного транспорта, её потенциал гораздо шире. Алгоритм может стать «зрением» для роботизированных погрузчиков на складах, где важно точно определять границы проходов, позиционирование паллет и движение людей в условиях переменного искусственного освещения.В сельском хозяйстве такие системы могут быть установлены на комбайны и тракторы для автоматического вождения с точностью до сантиметра, чтобы не повреждать культурные растения и оптимально обрабатывать поле, даже когда ряды плохо видны из-за пыли или подросшей зелени.
В городской инфраструктуре технология может использоваться в интеллектуальных системах контроля дорожного движения для более точного подсчёта транспорта, классификации типов автомобилей и анализа аварийных ситуаций на основе данных с камер наблюдения, которым также мешают погода и помехи.
Разработка в рамках «Приоритета-2030» и будущее
Работа велась в рамках программы стратегического академического лидерства «Приоритет-2030». Это говорит о том, что разработка рассматривается как стратегически важная и имеет серьёзную ресурсную поддержку. Университет намерен не только совершенствовать алгоритм, но и активно искать промышленных партнёров для его внедрения.Следующими шагами станут испытания системы на реальном транспортном средстве в условиях живого городского трафика, а также адаптация алгоритма для работы с более широким спектром сенсоров, включая радары миллиметрового диапазона и тепловизоры. Это создаст всепогодное, круглосуточное «зрение» для автономных систем.
