Россия
Рассмотрен пример оценки времени обнаружения пешехода беспилотным автомобилем в зависимости от дальности и погодных условий. Получены приближенные кривые распределения времени реакции системы технического зрения
беспилотный автомобиль, обнаружение пешеходов, время реакции, техническое зрение, плотность вероятности
Обнаружение пешехода представляет собой важный параметр для безопасности и эффективности функционирования беспилотных транспортных средств [1]. В отличие от человека-водителя, системы автономного вождения опираются на работу камер и нейросетевых алгоритмов для идентификации объектов. Время реакции системы на обнаружение зависит от дальности до объекта, условий освещенности и погодных факторов, которые оказывают значительное влияние на точность и скорость распознавания. На рисунке 1 приведены графики плотности вероятности времени обнаружения пешехода при различных погодных условиях.
Рисунок 1 – Распределение плотности вероятности времени обнаружения пешехода при разных погодных условиях
В таблице 1 представлены средние результаты времени обнаружения пешехода беспилотным автомобилем при различных условиях.
Таблица 1
Время обнаружения пешехода беспилотным автомобилем
|
Условия |
Дальность, м |
Среднее время, с |
Разброс времени, с |
|
Ясно, день |
50 |
0,25 |
±0,05 |
|
Ясно, день |
30 |
0,18 |
±0,03 |
|
Дождь, день |
30 |
0,35 |
±0,08 |
|
Ночь, освещение |
30 |
0,42 |
±0,10 |
Эффективность и время обнаружения пешехода беспилотным автомобилем в сложных погодных условиях существенно зависит от дальности. В условиях (дождь, ночь) время реакции возрастает в 1,5–2 раза, а разброс значений увеличивается. Исследования демонстрируют систематическое смещение в производительности алгоритмов обнаружения пешеходов: точность распознавания коррелирует с антропометрическими и фотометрическими характеристиками объектов (например, вероятность корректного обнаружения пешеходов с ростом выше среднего (взрослые) превышает вероятность обнаружения пешеходов с ростом ниже среднего (дети) на 20 %) [2].
Несмотря на применение современных методов оценки времени обнаружения пешеходов, системы автономного вождения всё ещё демонстрируют недостаточную надёжность в интерпретации дорожной обстановки, особенно в сложных и динамичных сценариях [3]. Поэтому необходимо продолжать исследования, направленные на увеличение разнообразия дорожных ситуаций и повышение требований к характеристикам камер и нейросетевых алгоритмов обнаружения. Важно разработать комплексный подход, обеспечивающий баланс между точностью и скоростью обработки. Реализация этих задач требует формирования обширных обучающих наборов данных с использованием комбинированных методов обработки информации для повышения эффективности системы.
1. Распоряжение Правительства РФ от 30 июля 2020 г. № 724-р «О концепции обеспечения безопасности дорожного движения с участием беспилотных транспортных средств на автомобильных дорогах общего пользования». – Текст : электронный // https://www.garant.ru/products/ipo/prime/doc/73707148/ #review (дата обращения: 02.03.2026).
2. Matas, J. Robust wide baseline stereo from maximally stable extremal regions / J. Matas, O. Chum, M. Urban, T. Pajdla // British Machine Vision Conference. – 2002. – pp. 384–396.
3. Ляпустин, П.К. Ключевые проблемы и перспективы внедрения беспилотных автомобилей в городской транспорт / П.К. Ляпустин, С.В. Андриянов // Вестник Ангарского государственного технического университета. – 2025. – № 19. – С. 209-212.
