Разработка распределенной системы мониторинга, управления и прогнозирования движения беспилотных транспортных средств

В рамках выполнения первого этапа проведен анализ методов машинного обучения, особенности использования нейронных сетей в задачах обучения с подкреплением, а также, анализ методов машинного обучения для распознавания образов и транспортной задачи с учетом обеспечения оптимальности и безопастности.В результате, проведена разработка информационного обеспечения методик решения транспортных задач в условиях неопределенности, исследованы применения многоиндексных линейных и нелинейных детерминированных транспортных задач, проведен анализ устойчивости решений транспортных задач на основе методов машинного обучения и анализ машинного обучения с подкреплением в цифровых системах управления динамическими объектами. Была разработанна программа, реализующая алгоритм классификации маневров транспортного средства: обнаружение поворотов, перестроений, обгонов, разворотов. Реализация представляет собой нейронную сеть, обученную с помощью контролируемого обучения. Разработанный алгоритм может использоваться в качестве модуля интеллектуальной транспортной системы для мониторинга и управления транспортными потоками, в частности детектирования критических режимов. Использование телеметрии напрямую, через задание строгих условий для определения маневров, имеет большую погрешность при определении событий в режиме реального времени. Разработанный метод на основе нейронных сетей прямого распространения может применяться в режиме реального времени. Выполнена разработка мобильного приложения под управлением операционной системы iOS и Android для интерактивного метода мониторинга основных характеристик транспортного потока. Осуществляет сбор данных, необходимых для дальнейшего анализа основных характеристик транспортных потоков: данные акселерометра (по осям X, Y, Z), данные гироскопа (по осям X, Y, Z), географические координаты устройства (широта, долгота), скорость транспортного средства. Программа является клиентской частью распределенной интеллектуальной системы сбора и анализа качественных параметров движения частиц в транспортном потоке, и будет использоваться для решения задач моделирования и управления транспортными потоками. Собираемые числовые и видео-данные могут используются в качестве параметров для машинного обучения и классификации событий. Разработан метод пассивного мониторинга основных характеристик транспортного потока. Программно-аппаратный комплекс предназначен для получения расстояния до движущегося объекта, его скорости и габаритов посредством изображений со стереокамер. Программа снижает общие затраты на настройку и обслуживание по сравнению с другими аналогичными системами, обеспечивает точные измерения скорости движущегося объекта. Для реализации метода используются следующие этапы: калибровка камер для устранения дисторсии, стереокалибровка, ректификация, построение карты глубины, вычисление расстояния до объекта, вычисление габаритов объекта, вычисление скорости движения объекта. Разработан алгоритм кластеризации параметров транспортных потоков для решения задачи распознавания психологических типов водителей с целью усовершенствования и повышения эффективности управления гетерогенными транспортными потоками. Разработанный алгоритм является модулем интеллектуальной транспортной системы для мониторинга и управления транспортными потоками. Разработана модель системы интеграции беспилотных транспортных средств в единую киберсистему с целью обеспечения должного уровня безопасности и оптимальности передвижения транспортных потоков. Использование разработанного комплекса позволяет прогнозировать и управлять движением транспортных средств, а также проводить оценку влияния задержки управляющего воздействия на безопасность движения в различных дорожных условиях. Разработана отказоустойчивая архитектуру работы системы машинного зрения беспилотного транспортного средства в виде программно-аппаратного комплекса.Данная разработка должна помочь уменьшить фактор непредсказуемости водителя на дороге и определить характер движения человека. Также данная система может найти применение среди разного рода поставщиков, компаний по перевозке грузов с помощью автотранспорта, так как приложение позволит отслеживать путь автомобиля, реальное время, затраченное на путь, а также поможет анализировать характер движения транспортного средства с помощью полученных дополнительных параметров и зависимостей. Благодаря анализу большого количества данных методами DataMining, могут быть решены многие дорожно-транспортные проблемы. И чем больше данных будет собрано, тем более вероятно можно будет прогнозировать как движение автомобилей, так и поведение конкретного водителя, а эти знания могут привести к решению более глобальных проблем, связанных с инфраструктурой города, безопасным движением, борьбой с мошенничеством транспортных перевозчиков, а также с оптимизацией тарифов на страхование.