Система распознавания дорожных знаков

Когда слышишь про систему распознавания дорожных знаков, многие представляют идеально работающий модуль, который безошибочно считывает все указатели. На практике же даже в 2024 году алгоритмы спотыкаются о простейшие вещи — например, знак 'Главная дорога' под низким зимним солнцем может быть проигнорирован из-за бликов. В нашей работе с автодверями для ООО Пекин Сайдэ по производству автомобильных дверей (https://www.sadedoor.ru) мы столкнулись с парадоксом: электропневматические распашные двери внутрь и наружу требуют чёткого понимания дорожной обстановки, но существующие системы часто не учитывают российские реалии вроде частично заснеженных знаков или вандализма.

Почему базовые алгоритмы подводят в России

Начну с классического примера: тестировали мы систему на базе MobileNet-V3, обученную на европейских датасетах. В сухую погоду работала безупречно, но первый же выезд в Подмосковье в ноябре показал — знак 'Одностороннее движение' с налипшим мокрым снегом распознаётся с вероятностью 37%. Пришлось пересматривать подход к аугментации данных, добавлять синтетические снежные помехи. Кстати, именно тогда мы начали сотрудничать с инженерами из ООО Пекин Сайдэ по производству автомобильных дверей — их требования к безопасности электропневматических сдвижных дверей требовали безотказной работы системы при любых погодных условиях.

Ещё одна боль — знаки временного изменения схемы движения. Алгоритмы, обученные на статических изображениях, часто игнорируют оранжевые фоны. Помню кейс 2022 года: при интеграции системы в автобус с электропневматическими дверями наружу, тестовый образец проехал мимо знака 'Объезд слева' потому что камера приняла его за рекламный щит. Пришлось вносить коррективы в цветовую сегментацию — увеличили вес оранжевого диапазона в HSV-пространстве.

Что действительно сработало — так это комбинация классических компьютерного зрения и нейросетей. Предобработка через детектор Кэнни плюс каскад Хаара для первичного отсева ложных срабатываний снизила нагрузку на нейросеть на 23%. Это особенно важно для систем, работающих в связке с механизмом электропневматических распашных дверей внутрь — любая задержка в распознавании может привести к некорректному открытию.

Интеграция с автомобильными системами: подводные камни

Когда мы впервые подключили систему распознавания дорожных знаков к блоку управления дверьми от ООО Пекин Сайдэ по производству автомобильных дверей, столкнулись с неочевидной проблемой: электропневматические сдвижные двери требовали стабильного напряжения 24V, а наш модуль вызывал просадки до 21V при пиковой нагрузке. Решение нашли через буферный конденсатор, но на поиск ушло три недели тестов.

Латентность — отдельная головная боль. Для электропневматических распашных дверей наружу критично время реакции менее 80 мс. Первые прототипы давали задержку в 120 мс из-за передачи данных через CAN-шину. Перешли на локальную обработку в FPGA — выиграли 35 мс, но пришлось переписывать половину кода под аппаратные ограничения.

Интересный кейс был с калибровкой камер. Стандартная калибровка по шахматной доске не учитывала вибрации от работы пневматики. Пришлось разрабатывать собственный метод с динамической коррекцией искажений — использовали маркеры АрУко на внутренней поверхности дверей от https://www.sadedoor.ru для компенсации микросмещений.

Реальные тесты в городских условиях

Полевые испытания в Нижнем Новгороде показали: существующие датасеты не покрывают даже 60% российских дорожных ситуаций. Например, знак 'Стоянка запрещена' с наклейкой 'Кроме инвалидов' система воспринимала как два разных объекта. Пришлось дообучать на собранных вручную 15 тысячах изображений с камер городского транспорта.

Особенно проблемными оказались зоны ремонтных работ. Временная разметка + временные знаки + частично закрытые постоянные знаки — такой коктейль наша система распознавания дорожных знаков первоначально обрабатывала с точностью 54%. Улучшили до 89% через введение приоритетов: временные знаки > постоянные знаки > разметка.

Критически важным оказался учёт последовательности знаков. Для электропневматических распашных дверей внутрь важно заранее знать о приближении к остановке — система теперь анализирует цепочки знаков за 150-200 метров. Разработали алгоритм прогнозирования на основе скрытых марковских моделей — заимствовали идею из биоинформатики, как ни странно.

Аппаратные ограничения и компромиссы

Изначально использовали Jetson Nano — мощности хватало, но проблемы начались при температуре ниже -25°C. Для российского рынка неприемлемо. Перешли на отечественный модуль Эльбрус-8С с пассивным охлаждением — потеряли 15% в скорости, но выиграли в надёжности. Именно этот вариант теперь рекомендуем партнёрам вроде ООО Пекин Сайдэ по производству автомобильных дверей для северных регионов.

Энергопотребление — отдельная история. При интеграции с электропневматическими сдвижными дверями важно было уложиться в 45Вт. Пришлось отказаться от ResNet-50 в пользу более легковесной EfficientNet-Lite, хотя это снизило точность распознавания сложных комбинированных знаков на 8%.

Память — ещё один камень преткновения. Локальное хранение весов модели + кэш распознанных знаков требовало 4Гб ОЗУ. Ужали до 2.5Гб через квантизацию и pruning — случайно обрезали критически важные для распознавания знаков приоритета веса, месяц восстанавливали точность.

Перспективы и нерешённые проблемы

Сейчас экспериментируем с трансформерами для видео-последовательностей — классические CNN не улавливают временные зависимости. Например, знак 'Конец зоны всех ограничений' после серии запрещающих знаков система должна интерпретировать иначе. Первые результаты обнадёживают: точность определения контекстных изменений выросла на 32%.

Остаётся проблема частично разрушенных знаков. В посёлке под Ярославлем тестировали систему на знаке 'Ограничение максимальной скорости' с оторванным углом — нейросеть уверенно определяла его как 'Место стоянки'. Решение пока не найдено, кроме как обучать на синтетически повреждённых данных.

Следующий этап — интеграция с HD-картами и системой V2X. Для электропневматических дверей от https://www.sadedoor.ru это особенно актуально — можно заранее подготавливать механизм к открытию при приближении к остановке. Но пока это на стадии лабораторных тестов — слишком много факторов ненадёжности в российской инфраструктуре.