Искусственный интеллект (далее - ИИ) в значительной степени зависит от передачи данных и выполнения сложных алгоритмов машинного обучения. Периферийные вычисления — вычислительная парадигма нового поколения, которая переносит ИИ и машинное обучение туда, где происходят генерация данных и вычисления: на границу сети. Их объединение привело к появлению нового направления — периферийного ИИ (Edge AI). Edge AI обеспечивает более быстрые вычисления и извлечение инсайтов, лучшую безопасность данных и эффективный контроль над непрерывностью операций. В результате он может повысить производительность приложений с поддержкой ИИ и снизить эксплуатационные расходы. Edge AI также может помочь в преодолении связанных с ИИ технологических проблем.

Востребованность решений интеллектуальных транспортных систем в России с каждым годом возрастает. Количество автомобилей неумолимо растет, в то время как строительство новых дорог и дорожных развязок становится всё более дорогим и сложным занятием. Реализация строительных объектов на дорожной сети вносит значительные неудобства для жителей города, перекрывая или изменяя привычные маршруты движения. Эффективность дорожной сети зависит от двух основных факторов - от физических характеристик дороги и от транспортной нагрузки на дорогу в единицу времени. Имея определенную максимальную пропускную способность дорожной сети, определяющуюся физическими характеристиками дороги (шириной, длиной, количеством полос и др.), у нас остается только один рычаг влияния на общую эффективность дорожной сети - это управление транспортной нагрузкой. Именно поэтому мы обращаемся к ИТС. Правительством РФ уже утверждена долгосрочная стратегия развития транспортной области, а РОСДОРНИИ разрабатывается стратегия развития ИТС на ближайшие 10 лет.

Следует отметить, что сам по себе термин ИТС очень широкий. В компании Edge Vision, говоря об ИТС, мы в первую очередь имеем ввиду увеличение эффективности использования существующей дорожной сети, например увеличение проходимости перекрестка.

За счет чего возможно достигать увеличение проходимости перекрестка? Очевидно, за счет более гибкого управления светофорным объектом. Однако, на сегодняшний день 99% светофоров в мире работают на фиксированных временных режимах, установленных и настроенных при запуске светофорного объекта в эксплуатацию. Так светофоры годами могут работать на одних и тех же режимах, в то время как шаблоны поведения водителей и транспортных потоков постоянно эволюционируют. Появляются новые виды транспорта, меняется структура транспортного потока. Особенно после пандемии наблюдается рост количества велосипедистов и участников микро мобильности.

Думаю также очевидно, что вручную обеспечить необходимую гибкость на большом количестве светофоров (не говоря о других ИТС решениях) невозможно. За последние 10-15 лет данную проблему начали решать, и успешно решают через внедрение автоматизированной системы управления дорожным движением (АСУДД) с алгоритмами адаптивного управления, но такие решения требуют развитую инфраструктуру для их реализации: специализированные и дорогие датчики транспорта, высокоскоростные и надежные каналы связи, для передачи больших данных от объектов в центр обработки данных (ЦОД), мощные сервера для обработки и аналитики данных, и др. Это основная причина с точки зрения технологий, почему инновационные решения появляются именно в мегаполисах, потому что там уже есть необходимая инфраструктура и реализация проекта значительно снижается по времени и стоимости.

Здесь же возникает еще одна проблема, связанная со сложностью масштабирования таких решений в регионы. Высокие требования к инфраструктуре, которые сложно удовлетворить в регионах из-за ограниченного бюджета. Как же быть в такой ситуации регионам?

Ответ заключается в том, что необходимы инновационные транспортные решения, которые идут от обратного. Не основываются на развитой инфраструктуре, а используют существующую (а зачастую и практически отсутствующую) инфраструктуру. Такие решения основываются на концепциях вычисление на периферии (edge computing) и интернет вещей (IoT). Обработка информации на периферии значительно снижает требования к каналам связи, т.к. обмен данными необходим только для получения управляющего сигнала или аналитики от устройств. Для этого достаточно стандартного GPRS или 3G мобильного канала связи.

Уровень современных технологий позволяет реализовать не только обработку цифровых данных на периферии, но и запуск алгоритмов искусственного интеллекта (машинного обучения и компьютерного зрения) на периферийных устройствах в уличных условиях - концепция edgeAI.

У компании Edge Vision накопился опыт в разработке и реализации решений концепции edgeAI более двух лет. Одним из практических кейсов реализации такого подхода является продукт EV-Crossroad, который позволяет преобразовать классический перекресток в адаптивный "умный" перекресток. В данном решении источником данных являются камеры видеонаблюдения, установленные на перекрестке, по одной камере в каждом направлении дороги. Видеосигнал по витой паре передается в шкаф дорожного контроллера, где смонтированы небольшие одноплатные компьютеры (Intel NUC). В зависимости от мощности процессора, один мини-компьютер может обрабатывать от 1 до 4 видеопотоков в реальном времени. С помощью алгоритмов компьютерного зрения и машинного обучения, система "оцифровывает" транспортный поток. На основе полученных данных по интенсивности движения, структуре транспортного потока, временным характеристикам принимается решение какой светофорный режим будет оптимальный для текущего момента и устанавливается на дорожном контроллере.

Данное решение уже апробировано на нескольких десятках перекрестков в Краснодарском крае и показало увеличение эффективности (проходимости) перекрестка в среднем на 18-20%.

Это лишь один из примеров ИТС решений доступных для регионов. Также есть решения связанные с обнаружением дорожных инцидентов, таких как ДТП, внезапное падение человека на дороге или пешеходном переходе и др. Концепция edgeAI открывает совершенно новые горизонты по реализации стратегии ИТС в масштабе всей страны, а не только крупных мегаполисов.

В статье используются материалы из источника:

https://www.comnews.ru/content/217807/2021-12-09/2021-w49/kak-razvitie-koncepcii-edgeai-reshaet-transportnye-problemy-nebolshikh-gorodakh