Разработка метода формирования требований для беспилотного транспорта при решении задачи обнаружения объектов для АО “НИИАС”

Задача

Разработка метода формирования требований к обучающим и тестовым выборкам для беспилотного транспорта степени автоматизации GoA4 при решении задачи обнаружения объектов для АО “НИИАС”

В ближайшее время на Московском центральном кольце (МЦК), самом высокоинтенсивном участке пассажирских перевозок в Европе, запланировано внедрение транспорта с высшим уровнем “беспилотности” – GoA4. Это автоматический и самостоятельный транспорт, который позволит поддерживать график движения с точностью не менее 15 секунд, сократить межпоездной интервал до 3 минут и увеличить количество пассажиров. Однако технология GoA4 не до конца исследована с точки зрения безопасности: для предотвращения аварий электропоезд должен быстро и самостоятельно выявлять объекты на пути следования. Для решения этой задачи используются наиболее эффективные нейронные сети:

• YoloV5
• CenterMask
• Mask R-CNN
• FairNet
• RailCNN

Решение

Чтобы сети выполняли свою функцию, нужно разработать обучающие и тестовые выборки, которые учитывают особенности области применения данных сетей.

Обзор и анализ подходов по применению нейронных сетей для решения задачи обнаружения объектов показал отсутствие научно-обоснованных решений по подготовке качественных выборок данных. Более того, в открытом доступе отсутствуют:

• Специализированные датасеты, которые отвечают требованиям, выдвигаемым при автоматизации движения беспилотных локомотивов степени автоматизации GoA4
• Методика формирования из специализированных датасетов обучающих и тестовых выборок, которые позволят достичь требуемой эффективности работы системы обнаружения объектов на пути следования в определенных условиях.

Для решения этих проблем специалисты ФБИТ:

• Рассмотрели актуальные атаки на обучающие выборки и представили, как их могут использовать злоумышленники.
• Рассмотрели методы обнаружения существующих атак на обучающие выборки для нейронных сетей и наиболее эффективные методы защиты от них.
• Провели анализ датасетов АО “НИИАС”. Анализ показал, что ним можно применить большинство известных критериев качества обучающих выборок, если расширить количество данных в аннотации при разметке кадров и при формировании значимого набора признаков для объектов железнодорожного транспорта. Для сформированных таким образом выборок следует применять методы защиты, которые удовлетворяют текущей категории данных и систем.

Результат

В результате исследований специалисты ФБИТ предложили методику формирования критериев качества обучающих выборок с учетом специфики различных типов нейросетей.

Специалисты рассчитали предложенные критерии для объекта «человек» в задаче детектирования и сделали по ним выводы о выполнении или невыполнении конкретного критерия для выбранного объекта в выборке.

И, наконец, специалисты предложили метод формирования требований к обучающей и тестовой выборкам в двух вариантах:

• Исходя из заданного набора классов объектов, их численных значений переменных и в обратную сторону
• Исходя из заданных в техническом задании численных значений критериев качества выборки.

Полученный метод используется для модификации или создания новой выборки для обучения нейронной сети, удовлетворяющей заданным требованиям к качеству.

Такая выборка позволит полностью реализовать интеллектуальную систему управления беспилотным электропоездом степени автоматизации GoA4 и избежать аварий.

Кейс реализован в рамках выполненного проекта с РЖД при участии АО “НИИАС” как эксперта-проверяющего.