Опоздания, отмены рейсов и нехватка живой информации по маршрутам — привычная боль многих горожан. Команда Пермского Политеха представила технологию, которая помогает навести порядок без спутниковой навигации и дорогостоящих обновлений инфраструктуры. Исследователи создали интеллектуальную систему, способную по видеопотокам городских камер распознавать автобусы, считывать номер маршрута и передавать пассажирам и диспетчерам актуальные данные о движении в реальном времени. По оценкам разработчиков, точность распознавания достигает 82%, а стабильность работы сохраняется даже при слабом соединении. Проект ориентирован на быстрый запуск и масштабирование — от небольших муниципалитетов до крупных агломераций.
Как работает решение без спутников и GPS
В основе системы — компьютерное зрение и нейросетевой детектор YOLO, хорошо зарекомендовавший себя на задачах поиска мелких объектов. Алгоритм анализирует видеопотоки с городских камер, включая узлы уличного наблюдения и камеры ГИБДД, выделяет в кадре автобус, идентифицирует маршрут по бортовым табло и подтверждает результат по нескольким последовательным кадрам. Такой многошаговый контроль заметно снижает вероятность ошибки, исключая случайные «ложные срабатывания» из‑за бликов, погодных эффектов или плотного трафика.
Чтобы повысить надежность распознавания в реальных условиях, исследователи сформировали обучающий набор примерно из тысячи изображений автобусов и иных транспортных средств, искусственно «усложнив» данные дождем, снегом, засветками фар, сниженной освещенностью и изменением контрастности. Благодаря этим дополнениям сеть эффективнее справляется с ночной съемкой, встречной световой засветкой и сложным фоном, характерным для оживленных магистралей.
После обработки видео система в режиме реального времени формирует поток событий: номер маршрута, ориентировочное местоположение автобуса относительно опорной камеры и направление движения. Информация автоматически поступает диспетчерам, а для пассажиров доступна через чат-бота — в нем можно увидеть актуальные перемещения, прикинуть время ожидания и сориентироваться в дорожной обстановке.
Технические характеристики и устойчивость
Одно из ключевых достоинств разработки — экономичность. Для запуска не требуется специализированный сервер или дорогостоящие графические ускорители: программа уверенно работает на стандартном офисном компьютере, нагружая процессор примерно на 10%. В тестовых сценариях система демонстрировала скорость анализа порядка 25–30 кадров в секунду, что достаточно для оперативного мониторинга даже на динамичных участках улично-дорожной сети.
Автономность решения достигается отказом от GPS и спутниковой коррекции: система ориентируется на привычную для города инфраструктуру камер, поэтому продолжает выполнять задачи и при нестабильной связи. В составе программного комплекса предусмотрены модули предобработки изображения, стабилизации видеопотока и фильтрации помех — они минимизируют влияние вибрации опор, мороси и снежной поземки. Для повышения точности используются агрегированные результаты по серии кадров, а также механизм доверительных оценок: при недостаточной уверенности алгоритм избегает вывода неподтвержденных данных.
Особое внимание уделено корректности работы с персональными данными: система не идентифицирует людей и не ведет распознавание лиц, концентрируясь исключительно на транспортных объектах и служебной маркировке. Это упрощает интеграцию с городскими требованиями по безопасности и позволяет использовать разработку в различных юридических режимах.
Интеграция с городскими камерами и ГИБДД
Поскольку решение изначально спроектировано под существующую инфраструктуру, его можно быстро подключить к сетям видеонаблюдения, уже действующим в городе, в том числе к камерам ГИБДД на ключевых перекрестках и коридорах движения. Подключение осуществляется через универсальные протоколы видеопотоков, а управление и настройка выполняются в привычной диспетчерской среде. Благодаря этому разворачивать систему можно поэтапно: от пары пилотных участков до полного покрытия маршрутов без закупки дополнительных камер.
Для диспетчеров система становится инструментом управления интервалами: видя фактическое распределение автобусов по участкам и скопления в пробках, оператор может оперативно корректировать выпуски и перестраивать интервалы следования. Пассажиры, в свою очередь, получают прозрачность и предсказуемость: чат-бот подсказывает, где сейчас находятся нужные маршруты, а также помогает оценить потенциальные задержки. По отзывам участников тестирования, даже базовая информация о приближении автобуса снижает нервозность ожидания и помогает планировать пересадки.
Отдельное преимущество — пригодность для всех сезонов. Комплекс успешно справляется с типичными для северных регионов условиями: мокрый снег, резкие перепады освещенности при коротком световом дне, отражения на мокром асфальте. Это достигнуто за счет сочетания расширенной аугментации данных при обучении и адаптивных фильтров на этапе обработки видеопотока.
Перспективы развития и эффект для горожан
Разработка фактически прокладывает путь к объединенной системе мониторинга движения общественного транспорта, независимой от спутникового позиционирования. На базе собираемых данных можно оптимизировать расписания, улавливать повторяющиеся «узкие места», прогнозировать интервалы в часы пик и заранее предупреждать о вероятных задержках. Для перевозчиков это означает повышение прозрачности процессов и контроль качества выполнения маршрутов, а для жителей — экономию времени, удобные пересадки и рост доверия к общественному транспорту.
Команда Пермского Политеха видит дальнейшее развитие в увеличении набора обучающих данных, подключении методик дообучения на месте, а также в расширении спектра распознаваемого транспорта: от автобусов к троллейбусам и трамваям. Рассматривается интеграция с городскими системами «умного светофора» и сервисами платёжных валидаторов: объединение данных позволит точнее оценивать пассажиропотоки, повышать регулярность движения и сокращать холостые пробеги. Запланированы и механизмы открытого API для разработчиков городских сервисов, что создаст экосистему приложений вокруг единого «ядра» мониторинга.
Инициаторы проекта подчеркивают, что архитектура комплекса модульная и легко переносима в другие города. Для запуска достаточно доступа к видеопотокам, стандартного вычислительного узла и небольшой калибровки под локальные типы табло и окраску подвижного состава. По словам руководителя проекта, доктора технических наук Андрея Затонского, такую систему можно внедрять без «болезненных» бюджетных затрат и длительных закупочных циклов, а эффект в виде предсказуемых интервалов и честной картины трафика жители ощутят уже на первых этапах развертывания.
В результате город получает гибкую и технологичную опору для развития общественного транспорта: меньше случайных простоев, понятная ситуация на линиях, быстрые управленческие решения и доброжелательный пользовательский сервис. А значит, каждый следующий рейс становится чуточку надежнее, а поездки — комфортнее и спокойнее. Позитивный опыт пилотных внедрений показывает, что сочетание нейросетей, камер наблюдения и удобных цифровых сервисов уже сегодня делает городской транспорт предсказуемым — без зависимости от спутников и сложных аппаратных комплексов.
