Город без GPS: как камеры научились показывать автобусы точнее трекеров

Пробки, сбои связи и внезапные задержки автобусов давно стали привычной частью городской жизни. Когда навигация зависает, пассажиры остаются без понимания, где их транспорт и почему он не приехал. Но инженеры Пермского национального исследовательского политехнического университета (ПНИПУ) решили изменить эту ситуацию — без привычных спутников и GPS-датчиков.

Новая система, которая видит автобус без спутников

Исследователи ПНИПУ создали интеллектуальную систему, способную отслеживать движение автобусов с помощью городских камер наблюдения. Разработка распознаёт транспорт на видео с точностью до 82% и передаёт данные о маршрутах пассажирам через чат-бот. Как сообщили в пресс-службе вуза, алгоритм анализирует кадры в реальном времени, определяет номер маршрута и сверяет результаты по нескольким последовательным изображениям — так снижается вероятность ошибки.

"Наша система не использует GPS, поэтому она автономна и продолжает работать даже при слабом сигнале связи", — заявил доктор технических наук, заведующий кафедрой "Автоматизации технологических процессов” Андрей Затонский.

Главное преимущество решения — независимость от спутников и отсутствие необходимости в дорогостоящем оборудовании. Технологию можно подключить к уже существующим уличным камерам или системам ГИБДД. Даже обычный офисный компьютер справляется с анализом: нагрузка на процессор не превышает 10%, а частота обработки достигает 25-30 кадров в секунду.

Как работает интеллектуальное распознавание

Для обучения системы использовалась нейросеть YOLO (You Only Look Once) - одна из самых точных моделей визуального анализа. Исследователи обучили её на тысячи снимков автобусов, маршруток и автомобилей. Чтобы повысить устойчивость к внешним условиям, в набор данных включили изображения с искусственными погодными эффектами: дождём, бликами, низкой освещённостью и контрастом.

Когда видеопоток поступает с камеры, программа выделяет на кадре транспортное средство, определяет номер маршрута и сверяет несколько кадров подряд. После этого информация передаётся диспетчерам и пассажирам. При этом система не требует сложной серверной инфраструктуры, что делает её подходящей даже для небольших городов.

Почему важно отказаться от GPS? Потому что навигационные сигналы не всегда стабильны в плотной городской застройке, тоннелях и районах с помехами. В отличие от спутниковой привязки, камера фиксирует реальное местоположение транспорта, а не координаты, которые могут опаздывать или теряться.

Что изменится для пассажиров

Если раньше данные о маршрутах зависели от исправности GPS-трекеров и мобильного интернета, теперь система способна работать даже в условиях нестабильной связи. Пассажир получает обновления через чат-бот: там отображается текущее местоположение автобусов, примерное время прибытия и сведения о загруженности маршрутов.

А что если камеры покрывают не все районы? Тогда алгоритм можно интегрировать частично — например, на участках с высокой пассажирской нагрузкой или в транспортных узлах. Такой подход позволит постепенно выстроить единую сеть наблюдения без резких затрат.

Постепенное внедрение особенно актуально для регионов, где установка новых GPS-трекеров обходится дорого. Камеры уже установлены на большинстве перекрёстков, поэтому расширение функций до транспортного мониторинга выглядит экономически оправданным шагом.

Ошибки традиционного контроля и альтернатива ПНИПУ

Городские диспетчерские службы часто сталкиваются с ситуацией, когда GPS-устройства на автобусах выходят из строя или передают сигнал с задержкой. В результате приложение показывает транспорт там, где его уже нет. Это порождает недоверие пассажиров и сбои в расписании.

Новая система ПНИПУ решает эту проблему визуально: даже если автобус не оснащён трекером, камеры фиксируют его реальное движение.

Типичная ошибка при переходе на подобные технологии — попытка полностью заменить одну систему другой. На практике эффективнее использовать гибридный подход:

1. Сохранить GPS-слежение как базовый источник данных.

2. Добавить видеораспознавание для контроля маршрутов в реальном времени.

3. Синхронизировать оба потока информации для проверки достоверности данных.

Такой метод уменьшает количество сбоев и повышает точность предсказания прибытия транспорта.

Возможности и ограничения технологии

А что если система даст сбой в плохую погоду? Разработчики учли этот риск: при обучении нейросети использовались кадры с дождём, снегом и бликами фар. По результатам тестов, устойчивость к погодным факторам сохранилась даже при сниженной освещённости.

Однако полностью исключить ошибки нельзя. В тумане или при сильном снегопаде алгоритм может временно снижать точность распознавания, особенно если камера загрязнена. В таких случаях помогает использование нескольких видеопотоков с разных ракурсов.

Есть и другой нюанс — защита персональных данных. Хотя система не идентифицирует людей, важно обеспечить шифрование видеопотока и исключить хранение лиц пассажиров. Разработчики подчёркивают, что программа анализирует только силуэты транспортных средств и цифровые номера маршрутов, не собирая биометрические сведения.

Практическое применение и перспективы

По данным ПНИПУ, технология может использоваться не только в пассажирском транспорте. Аналогичные алгоритмы подходят для отслеживания коммунальной техники, грузовиков и экстренных служб.

Если объединить такие данные с аналитикой городского трафика, можно оптимизировать расписания, маршруты и интервалы движения. В будущем это позволит автоматически предупреждать о задержках, оценивать реальное время в пути и даже регулировать светофоры в зависимости от загруженности маршрутов.

В сравнении с зарубежными аналогами, которые требуют мощных серверов и облачных сервисов, российская система остаётся локальной и экономной. Её можно внедрять поэтапно, без привлечения иностранных технологий и без рисков санкционной зависимости.

Стоит ли внедрять такие решения во всех городах сразу? Вряд ли. Наиболее рационально — начать с пилотных зон: крупных перекрёстков, кольцевых маршрутов, пригородных линий. После успешного тестирования систему можно масштабировать на весь регион.

Исторический контекст и значение

Попытки автоматизировать мониторинг общественного транспорта предпринимались в России с начала 2010-х годов. Тогда основой служили GPS-трекеры, но из-за перебоев связи и высокой стоимости обслуживание часто прекращалось.

Нынешняя разработка ПНИПУ стала логичным продолжением этого пути: переход от спутниковой привязки к визуальному анализу. Это не просто технологическая новинка, а шаг к построению автономных транспортных сетей, способных работать независимо от внешних факторов.

Если в будущем к такой системе подключить алгоритмы прогнозирования пассажиропотока, города получат инструмент, способный планировать движение в реальном времени — без ручных корректировок и устаревших карт.