Дорога скрыта машинами, но система всё равно её находит — технология ЛЭТИ удивила тестировщиков

Алгоритм устойчивой сегментации дороги создан исследователями ЛЭТИ

Развитие беспилотного транспорта требует от систем навигации уверенной работы в условиях, которые далеки от идеальных: слабое освещение, дождь, туман, плотный поток автомобилей, закрывающих обзор сенсорам. Российские исследователи предлагают новое решение этой проблемы. Команда из Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" создала алгоритм, который усиливает точность восприятия дорожной сцены и помогает беспилотным машинам безопасно ориентироваться даже тогда, когда важные элементы дороги частично скрыты. Разработка показывает стабильность в тех ситуациях, где традиционные системы дают сбой.

Как работает новая система навигации

В основе разработки — мультимодальная обработка данных. Программа получает информацию одновременно от лидаров, стереокамеры и инерциальных датчиков и превращает её в единую трёхмерную картину мира вокруг транспортного средства. Это позволяет избежать ситуации, когда разные сенсоры дают противоречивые сведения или "слепнут" при плохих погодных условиях.

"Наша программа сегментации проезжей части беспилотного транспортного средства представляет собой систему, обрабатывающую мультимодальные данные — показания лидаров, стереокамер и инерциальных сенсоров. Она реализует двухэтапный алгоритм построения семантической карты дорожного пространства в реальном времени", — сказала ассистент кафедры систем автоматического управления СПбГЭТУ "ЛЭТИ" Екатерина Масленникова.

Система включает два основных этапа. Сначала алгоритм выделяет поверхность дороги и отделяет её от окружающих объектов — что особенно важно, если часть покрытия скрыта транспортом или элементами инфраструктуры. Затем данные объединяются в зоны с одинаковыми характеристиками, что помогает машине различать проезжую часть, бордюры, тротуары, препятствия и другие элементы сцены. Поскольку алгоритм автоматически подстраивается под плотность данных, он остаётся стабильным даже при заметном ухудшении видимости.

Почему улучшенная сегментация дороги так важна

По мере развития умной городской среды беспилотные транспортные системы становятся привычной частью инфраструктуры. Однако даже современные комплексы ADAS ошибаются, если получают неполные сведения о дорожной ситуации. Неверно определённая граница полосы или скрытый участок дороги могут привести к некорректной реакции автомобиля: резкому торможению, смещению траектории или ложному предупреждению об аварии.

Именно поэтому учёные уделили внимание первичной обработке данных. Когда информация от разных сенсоров объединяется уже на раннем этапе, накопленная ошибка снижается, а устойчивость системы повышается. Это заметно улучшает работу беспилотных машин в условиях городского трафика, где освещение, плотность транспорта и погодные факторы меняются постоянно.

Сравнение традиционных и новых подходов

Подход	Особенности	Проблемы	Преимущества нового алгоритма
Раздельная обработка сенсоров	Каждый источник данных анализируется отдельно	Высокая накопленная ошибка	Снижение влияния шумов
Поздняя интеграция данных	Объединение информации на позднем этапе	Низкая точность сегментации	Стабильность при плохой видимости
Предложенный алгоритм ЛЭТИ	Ранняя мультимодальная обработка	Требует сложного обучения	35% прироста точности границ дороги

Как создавали алгоритм: пошаговый путь

Исследователи собрали обучающую выборку из 24 тысяч дорожных изображений.
На её основе настроили систему классификации, которая распознаёт элементы дороги при разных условиях освещённости.
Провели синхронный анализ данных от двух лидаров, стереокамеры и инерциальных датчиков.
Отладили алгоритм ранней интеграции, чтобы снизить расхождения между сенсорами.
Проверили систему на тестовых полигонах и в реальных городских сценариях.

Эти методы широко востребованы в автомобильной промышленности, логистике, роботизированных складах и сельскохозяйственной технике с функциями автономного вождения.

Ошибка → Последствие → Альтернатива

Ошибка: полагаться только на один тип сенсора, например, на камеру.
Последствие: потеря данных в темноте или при препятствиях.
Альтернатива: применение мультимодальной обработки с лидаром и инерциальными датчиками.
Ошибка: интегрировать данные от сенсоров на позднем этапе.
Последствие: накопленная ошибка, нарушающая траекторию.
Альтернатива: объединение данных в момент первичной обработки.
Ошибка: использовать одинаковую плотность сегментации для любых условий.
Последствие: потеря точности на больших дистанциях или в тумане.
Альтернатива: адаптивная настройка плотности на основе алгоритма.

А что если…

…подобные алгоритмы станут обязательным элементом городской инфраструктуры? Например, интеллектуальные перекрёстки смогут передавать беспилотникам структурированные данные о дорожной сцене, усиливая точность восприятия и уменьшая нагрузку на onboard-системы. Тогда городские транспортные потоки станут более предсказуемыми, а аварийность — ниже.

Плюсы и минусы интегрированной сенсорной обработки

Плюсы	Минусы
Устойчивая работа при плохом освещении	Более высокие вычислительные требования
Снижение ложных срабатываний ADAS	Необходимость обучения на большой выборке
Повышение точности границ дороги	Сложнее масштабировать без модернизации оборудования
Рост отказоустойчивости беспилотных систем	Требует точной калибровки сенсоров

FAQ

Как выбрать конфигурацию сенсоров для беспилотной системы?
Оптимальна комбинация лидаров, стереокамер и инерциальных датчиков — она обеспечивает баланс точности и отказоустойчивости.

Сколько стоит интеграция подобного алгоритма в транспорт?
Цена зависит от набора сенсоров и вычислительной платформы, но сопоставима с внедрением расширенных ADAS-систем.

Что лучше — классическая сегментация или мультимодальная?
Мультимодальная обеспечивает более стабильный результат в сложных условиях и даёт преимущество для автономного транспорта.

Мифы и правда

Миф: лидар полностью заменяет камеры.
Правда: лидары плохо работают с некоторыми поверхностями и нуждаются в данных камер для контекста.

Миф: беспилотники видят дорогу одинаково в любую погоду.
Правда: без адаптивных алгоритмов точность резко падает в тумане, дожде и при плохом освещении.

Миф: данные сенсоров нельзя корректно объединить в реальном времени.
Правда: современные алгоритмы позволяют делать это с высокой точностью уже на первичной стадии.

Три интересных факта

Лидары способны фиксировать форму объектов на больших расстояниях раньше, чем камера распознаёт их визуально.
Стереокамеры определяют глубину по принципу человеческого зрения.
Интеграция данных на раннем этапе уменьшает вычислительные ошибки в несколько раз.