Интеллектуальная транспортная инфраструктура готова сделать шаг вперед
27.12.2021
Развитие автоматизированных и цифровых технологий в сфере транспорта — уже не просто интересная задача для ИТ-специалистов, а «must have» для безопасности на дорогах. В ближайшие годы драйверами роста уровня диджитализации российского транспорта станут решения, позволяющие создать «умную дорогу», по которой будет ездить «умный транспорт». Даниил Хазов, коммерческий директор группы компаний «Урбантех», обсудил с CNews технологии для безопасности дорожного движения и создания цифровых двойников городов, которые уже применяются и могут стать трендами 2022 года.
CNews: Даниил, «Урбантех» — относительно новый игрок в сфере решений для транспортного комплекса, где уже долгое время лидируют «Ростелеком», «Ростех» и другие ИТ-компании. Почему вы решили выйти на этот конкурентный рынок?
Даниил Хазов: Группа компаний «Урбантех» объединяет разработчиков и интеграторов интеллектуальных решений для транспортной отрасли, а также разрабатывает собственные технологические продукты для этого рынка. Одна из компаний, входящих в экосистему, — «МВС Груп» — оператор подмосковной системы фотовидеофиксации, эксплуатирует более 2250 комплексов ФВФ. На базе созданной инфраструктуры также разработан ряд решений, которые мы внедряем в более чем 10 регионах России. Наша команда ориентируется на основные направления транспортной стратегии Минтранса России — цифровые двойники дорожно-транспортной инфраструктуры (ДТИ), цифровое управление транспортной системой РФ, диджитализация в сфере транспортной безопасности. «Урбантех» разрабатывает решения для планирования и моделирования дорожной инфраструктуры, управления трафиком, организации безопасного дорожного движения и модернизации общественного транспорта.
CNews: Существует ли в России сформированный запрос на транспортное планирование и моделирование?
Даниил Хазов: В России ежегодно тратится около 60 млрд рублей на создание планов по развитию транспортной инфраструктуры и комплексных схем организации дорожного движения. Но исполняется лишь 10–20% проектов от запланированных. Основные причины — это нехватка актуальных данных для разработки планов развития транспортной инфраструктуры и комплексных схем организации дорожного движения, недостаточное финансирование, а также аналоговый формат сбора и обработки информации.
Кроме того, негативно влияет распространенный подход, когда за внедрение интеллектуальных транспортных систем (ИТС), модернизацию общественного транспорта и реконструкцию дорожной сети отвечают различные службы и ведомства на уровне региона, не синхронизируя планы развития инфраструктуры.
Для того, чтобы решить задачи транспортного планирования, важно проанализировать действующий уровень мобильности города и спрогнозировать, как он изменится с учетом развития улично-дорожной сети. Не менее важно использовать актуальные и постоянно обновляемые данные о состоянии и расположении объектов дорожной инфраструктуры: регулирующих знаков, светофоров, пешеходных переходов, дорожной разметки, остановок общественного транспорта.
При комбинации этих подходов возможно создать полноценный цифровой двойник города, разработать стратегические планы развития транспортной инфраструктуры. Также это поможет решать задачи, касающиеся внедрения ИТС, повышения безопасности дорожного движения, управления трафиком и борьбы с пробками.
CNews: Какой подход вы предлагаете?
Даниил Хазов: Наши технологические партнеры — OTS Lab и «Цифровые дороги» — разработали два решения для создания цифровых моделей города.
Для планирования маршрутов общественного транспорта и других средств мобильности используем решение Replan.City на базе мультиагентных иммитационных моделей. Мы применяем подход activity-based для моделирования не только простых городских поездок на одном виде транспорта, но также и интер- и мультимодальных поездок с использованием средств индивидуальной мобильности (СИМ), новых форм коллективного транспорта (совместные такси, каршеринг, карпулинг).
Для того, чтобы создать цифровой двойник города, нужно проанализировать его уровень мобильности и спрогнозировать, как он изменится с учетом развития улично-дорожной сети. Не менее важно использовать актуальные и постоянно обновляемые данные о состоянии и расположении объектов дорожной инфраструктуры
Для построения таких моделей и повышения качества моделирования используются данные от поставщиков Big Data, например, о перемещении абонентов сотовых сетей, о валидации бесконтактных транспортных карт, GPS-данных о перемещении грузов и так далее. С помощью такого комплексного анализа исторических и «живых» данных возможно построить точную предиктивную модель поведения жителя. А значит, и выстроить политику управления мобильностью. Мы уже разработали транспортные модели для Санкт-Петербурга, Москвы и Московской области, Владивостока, Красноярска и Самары.
CNews: Получается, вы создаете цифровой двойник мобильности горожан, который становится основой для развития системы общественного транспорта, кикшеринга?
Даниил Хазов: Да, верно, но только этого решения недостаточно для создания полноценного цифрового двойника города и разработки стратегических планов модернизации дорожной инфраструктуры. Поэтому для комплексных проектов привлекаем команду нашего партнера «Цифровые дороги». Их разработка «Автодискавери» решает несколько задач городских властей: мониторинг состояния объектов дорожно-транспортной инфраструктуры на всех этапах жизненного цикла, формирование единой и актуальной базы данных объектов ДТИ у ответственных организаций. Например, информация по одним и тем же объектам в разных организациях отличается, что осложняет развитие ДТИ, обслуживание и ремонт существующих элементов улично-дорожной сети. Все это приводит к высокой стоимости содержания инфраструктуры и неэффективному использованию федерального и регионального бюджета.
CNews: Каким образом создается цифровой двойник на базе «Автодискавери»?
Даниил Хазов: Специально оборудованные мобильные комплексы передвигаются по улицам города и оцифровывают заданные объекты дорожной инфраструктуры в автоматическом режиме. Встроенная система фиксирует изменения актуального состояния объектов и вносит информацию в базу данных в режиме онлайн. Далее предобученная нейросеть распознает объекты, а оцифрованные данные (координаты, размеры, фотографии и другое) отражаются в паспорте объекта и хранятся в геоинформационной системе. Таким образом цифровой двойник агрегирует актуальную информацию по объектам ДТИ с координатами с точностью до 10 сантиметров. Каждый мобильный комплекс ежедневно оцифровывает до 150 километров дорожной инфраструктуры.
CNews: Вы упомянули комплексы фотовидеофиксации как меру для повышения безопасности дорожного движения. Какие еще решения существуют?
Даниил Хазов: Эффективность фотовидеофиксации (ФВФ) подтверждается недавним исследованием Института транспорта ВШЭ, согласно которому в зоне действия камер аварийность снижается в среднем в два раза, а количество погибших — в три раза. Опыт использования комплексов фотовидеофиксации в Московской области, где число погибших в ДТП ежегодно снижается на 15–20%, также подтверждает этот тренд.
На основе существующей инфраструктуры ФВФ разработана экосистема решений для безопасной и комфортной городской среды. Платформа собирает данные для работы аналитического модуля безопасности дорожного движения и городских интеллектуальных транспортных систем: плотность трафика, загруженность дорог, протяженность заторов, количество проездов транспортных средств и средняя скорость движения на разных участках. Также разработаны сервисы для контроля цветографической схемы автомобилей такси и оборота строительных отходов в Московской области.
CNews: Какие задачи решает аналитический модуль безопасности дорожного движения?
Даниил Хазов: При анализе причин аварий специалисты ГИБДД сталкиваются с разными проблемами: нет точной информации о хронологии событий и положении участников ДТП на дороге, информацию собирают в ручном режиме, допуская неточности. Плюс во время реконструкции дорог нередко сдвигают пикетаж объектов, которые определяют локации ДТП. Поэтому координаты аварий, случившихся в одном месте, разносятся на расстояния с разницей в несколько километров.
В России реализуются лишь 10-20% проектов по развитию транспортной инфраструктуры. Сказываются нехватка актуальных данных для их разработки, недостаточное финансирование, а также аналоговый формат сбора и обработки информации
Поэтому наша команда разработала единую базу и формат представления данных, которые исключают расхождение в хронологии событий и пикетаже и дают возможность проводить качественный анализ аварий. Геометки для привязки происшествий к определенным зонам в аналитическом модуле позволяют сделать корректные выводы по итогам анализа данных за несколько лет.
Платформа также визуализирует места концентрации аварий на карте с привязкой к элементам инфраструктуры и наземным объектам, хранит и предоставляет все необходимые данные о ДТП и проводимых мероприятиях безопасности с оценкой их эффективности. Таким образом, специалисты региональных ведомств Минтранса, ГИБДД и Центра организации дорожного движения получают единый инструмент для совместной работы и оперативного принятия решений, необходимых для снижения аварийности и смертности на дорогах.
CNews: Вы отметили систему контроля цветографической схемы такси. Как она работает?
Даниил Хазов: Мы запустили интеллектуальную систему «Такси-контроль» в конце октября в Московской области. Она контролирует соответствие автомобилей установленному в Подмосковье стандарту их внешнего вида, определяет государственный номер и сравнивает его с данными автомобиля в реестре такси Московской области.
При совпадении номера нейросеть анализирует внешний вид транспорта: проверяет цвет, наличие обязательных элементов оформления. Алгоритмы распознавания с высокой точностью определяют элементы цветографической схемы. Если она не соответствует стандарту, система направляет уведомление в таксопарк для корректировки внешнего вида автомобиля.
Стандарт внешнего вида автомобиля легкового такси появился в Подмосковье в 2017 году — автомобили должны быть белого цвета с желтой и серой полосами. Также на нем обязательны шашечный пояс и фонарь оранжевого цвета на крыше.
Во время обучения нейросети были использованы несколько тысяч эталонных изображений автомобилей такси, так что она сможет установить цвет даже сильно загрязненного автомобиля. Распознавание ведется в зоне прямого обзора камеры — от 20 до 100 метров, в зависимости от условий видимости и погоды. Только за ноябрь 2021 года система зафиксировала около 10 тысяч нарушений, среди самых распространенных — отсутствие или повреждение желтой полосы и отсутствие фонаря на крыше.
CNews: Какие планы у компании на 2022 год?
Даниил Хазов: Мы планируем усилить наше присутствие в регионах, с которыми уже работаем — Москва и Московская область, Нижегородская область, Санкт-Петербург и Ленинградская область. Приоритетными направлениями станут проекты по внедрению эффективных систем фотовидеофиксации по аналогии с нашим опытом в Подмосковье, интеллектуальных транспортных систем, созданию цифровых двойников городов и модернизации общественного транспорта.
Источник: https://www.cnews.ru/reviews/cnews_trendy_2022/interviews/daniil_hazov