Разработка моделей и методов распознавания и анализа текущей дорожной сцены интеллектуальным транспортным агентом

В настоящее время прослеживается тенденция интеллектуализации современных автотранспортных средств и появляются новые возможности для расширения ядра систем активной помощи водителю. При этом особую актуальность приобретает разработка функций распознавания и анализа текущей дорожной сцены.

Для разработки алгоритмов анализа дорожной сцены и формирования правил поведения в транспортном потоке используются имитационные многоагентные модели, в которых агенты описывают участников дорожного движения. Однако, существующие подходы имеют ряд недостатков, выраженных в весьма упрощенном поведении и анализе дорожной обстановки агентами системы. Чтобы обеспечить интеллектуальность поведения агента, необходимо обучить его более полно анализировать текущую дорожную сцену, оценивать целесообразность выполнения маневров в транспортном потоке.

Рис. 1 – Модель интеллектуального агента

Сотрудниками кафедры Инженерной Кибернетики разработана модель, в основу которой закладывается модель конечного автомата. При этом состояния модели интерпретируются как возможные варианты поведения агента. Переходы между состояниями агента описываются продукционными правилами, рис 1а.

В настоящей работе предлагается усовершенствовать логику поведения агента в состоянии прямолинейного движения . Для этого совокупность продукционных правил перехода из начального состояния заменяется нейронной сетью, рис 1б.

Реальное поведение участников дорожного движения имеет сложно формализуемый характер и учитывает множество факторов. Поэтому нейронная сеть обучается распознавать дорожные ситуации, в которых целесообразно совершить тот или иной маневр, используя реальные данные со стационарных видеосистем. При этом входными сигналами сети является дорожная ситуация (дистанция до участников движения, их курс, скорость и т.д.), а выходным сигналом – рекомендация по смене состояния (движение в том же режиме, обгон впереди идущего и т.д.).

Предложенный подход позволяет повысить интеллектуальность агента, а также описывать агентов с различными моделями поведения, например, по степени агрессивности вождения или по виду транспорта.

Модель агента реализована на языке программирования Python с использованием библиотек Caffe, opencv.