На международной конференции "AI IN 2023: Innopolis AI Conference for Business", которая проходила в Иннополисе в середине августа и была посвящена вопросам развития искусственного интеллекта, а также взаимодействию государства и бизнеса в этой сфере, среди прочих обсуждались вопросы использования ИИ в области геоданных. В рамках Панельной дискуссии «Геопространственный искусственный интеллект» рассказывалось о разработанной в ЗАО «Геоцентр-Консалтинг» геоинформационной системе «RuMap: RoadNetworkBuilder» (RNB), которая использует ИИ для оперативного создания и актуализации графа дорожной сети.
Предпосылки создания RoadNetworkBulder
Как писали ранее, граф дорожной сети состоит из нескольких слоев. Создание графа улично-дорожной сети является одной из самых трудоемких задач при разработке цифровой карты. Это связано с тем, что дорожная сеть часто меняется, а актуальность графа необходимо поддерживать постоянно. При этом граф должен оставаться связным как для отдельно взятой территории, так и для территории всей страны. Именно это позволяет использовать его в качестве исходных данных для сервиса прокладки маршрутов и строить зоны доступности. Большое количество ребер, составляющих основу графа, обусловлено не только огромной территорией покрытия, но и наличием в составе графа сложных многоуровневых развязок, которые требуют детальной отрисовки, демонстрирующей особенности движения на участке.
Кроме этого, для решения навигационных задач или использования данных в составе ИТС, граф должен иметь большое количество атрибутов (например, в графе RuМap содержится порядка 100 атрибутов). В свою очередь, все это - большое количество ребер и атрибутов - требует проведения большого количества пространственных и атрибутивных проверок, и только после их проведения граф будет доступен пользователям. Именно поэтому в компании "Геоцентр-Консалтинг" на протяжении многих лет постоянно велись работы по автоматизации процесса создания графа.
Кроме проблемы создания данных, существует еще и проблема получения исходных материалов, так как традиционно источником данных для подготовки цифровой карты являются космоснимки (данные дистанционного зондирования Земли), а также полевые заезды. Однако есть ситуации или территории, для которых данные ДЗЗ отсутствуют, а использование полевых заездов приводит к значительному удорожанию работ.
Все эти предпосылки и легли в основу создания системы – RoadNetworkBulder, которая позволяет оперативно создавать и актуализировать граф дорожного движения, используя в качестве источников сразу несколько типов данных.
Нейросеть приходит на помощь картографам
О роли ИИ в работе ГИС-системы, а также о плюсах и минусах, выявленных в ходе эксплуатации сервиса, рассказал руководитель проектного офиса компании "Геоцентр-Консалтинг" Константин Мельников.
Система, разработанная в компании "Геоцентр-Консалтинг", позволяет автоматизировать процесс создания графа, используя следующие данные:
- данные с видеорегистраторов;
- граф улично-дорожной сети(при наличии);
- данные дистанционного зондирования Земли - космоснимки;
- ГЛОНАСС/GPS треки движения автомобилей.
Данные можно подавать в систему автоматизированного создания графа в любой комбинации: чем больше данных будет на интересующую территорию, тем лучше будет результат. Однако, граф может быть построен и только по снимкам, и только по GPS-трекам. В результате работы RNB формируется базовый граф, оптимизированный для прокладки автомобильного маршрута. Нейросети используются на нескольких этапах работы системы.
Обработка данных с видеорегистраторов
Данные с видеорегистраторов используются для получения информации о знаках дорожного движения. На первом этапе происходит детектирование и классификация знаков.
На втором этапе, зная параметры камеры и имея трек движения автотранспортного средства, вычисляются координаты знака дорожного движения, а затем осуществляется его привязка к ребру графа. На этом этапе ребру графа присваиваются атрибуты, полученные со знака. Например, при наличии знака "кирпич" в атрибут графа будет внесена информация о том, что проезд по ребру запрещен. В дополнительной обработке нуждаются знаки, имеющие высокую вариативность: это знаки с названием населенных пунктов, информацией о скорости, а также знаки, обозначающие направление движения на перекрестках. Для таких знаков детектирование производится еще раз. С помощью нейросети распознаются начало и окончание стрелок, а затем строятся направляющие, которые и дают направление движения на перекрестке.
Обработка данных дистанционного зондирования Земли
Еще одним типом данных, которые могут использоваться в работе RoadNetworkBulder, являются космоснимки. Для получения графа используется ансамбль нейросетей, который позволяет получить контуры дорог, на их основе создать скелет дорожной сети, который, в свою очередь, и используется для создания графа УДС. Нейросети, с помощью которых ведется распознавание на данном этапе, были обучены на разных примерах: для плотной застройки, промышленных зон, межселенной территории. На одну и ту же территорию используются данные двух разных масштабов (16 и 17 масштаба), а полученный результат объединяется в полигон. Наилучший результат обработки космоснимков наблюдается для плотной городской застройки.
Обработка Глонасс/GPS-треков движения
Следующим типом данных, обрабатываемых системой, являются Глонасс/GPS-треки движения. При решении этого типа задач не использовалось машинное обучение, так как достаточно тяжело сформулировать саму задачу обучения. Однако, механизм обработки по праву можно считать уникальным, так как он позволяет получать потоки движения транспортных средств из облака точек, а затем сформировать геометрию дорожной сети на их основе.
Обработка треков движения позволяет не только сразу получать информацию о скорости (которую невозможно получить со снимка), но и выявлять места, для которых изменилась схема дорожного движения. Однако, при наличии очень маленького или очень большого количества точек может быть получена некорректная геометрия. Кроме этого, существует проблема сглаживания дорожной сети на сложных перекрестках. Именно поэтому в системе RoadNetworkBuilder предусмотрена не только возможность указывать в качестве источников данных несколько наборов, но и возможность присваивать им приоритетность, выбирая, какой из источников данных будет основным, а какие – второстепенными.
Вывод
Таким образом, использование нейросетей при обработке и подготовке ГИС-данных позволяет увеличить скорость создания графа дорожной сети в 3-4 раза по сравнению с ручной оцифровкой. Так, например, создание графа на территорию нефтеперерабатывающего завода занимает около 3-х минут. Кроме этого, возможность получать данные со знаков дорожного движения позволяет частично заполнять атрибуты графа, поэтому в результате работы сервиса сразу получается связанный граф дорожной сети, по которому можно прокладывать автомобильные маршруты. Система позволяет скачать граф и продолжить работу с ним в другом ПО.
По ссылке можно ознакомиться с полной версией доклада "Создание графа улично-дорожной сети с применением искусственного интеллекта".
