27 ноября 2025 г.
Узнайте, как модели Ultralytics YOLO помогают системам прогнозирования столкновений принимать более безопасные и быстрые решения в динамичных условиях.
Несмотря на осторожность на дороге, несчастные случаи все равно могут произойти. Автомобиль меняет полосу движения, пешеход перебегает дорогу или велосипедист ускоряется без предупреждения. Эти повседневные моменты - пример того, как системы прогнозирования столкновений могут принести реальную пользу и помочь сохранить всех в безопасности.
Ранее мы рассматривали предсказание траектории полета мяча и видели, как прогнозирование траектории быстро движущегося мяча помогает спортивным аналитикам понять движение и предугадать, что произойдет дальше. Прогнозирование столкновений работает аналогичным образом.
Эти системы прогнозирования, по сути, заглядывают в будущее. Наблюдая за тем, как движутся автомобили и пешеходы, они могут заблаговременно выявить риски и скорректировать траекторию движения или поведение до того, как ситуация примет опасный оборот (так называемое планирование движения или планирование пути).
Ключевыми компьютерными технологиями, лежащими в основе систем предсказания столкновений, являются искусственный интеллект и его области, такие как компьютерное зрение и методы прогнозирования, которые помогают предсказать, как будут двигаться предметы. Например, модели компьютерного зрения, такие как Ultralytics YOLO11 и готовящаяся к выпуску Ultralytics YOLO26, могут использоваться для detect и track объектов, таких как транспортные средства и пешеходы, в режиме реального времени, а модели прогнозирования используют эти данные для оценки их следующего движения.
В результате мы получаем систему искусственного интеллекта, которая понимает, что происходит вокруг нее, и поддерживает принятие более разумных решений в динамичных средах. В этой статье мы рассмотрим, как работает прогнозирование столкновений, какие методы лежат в его основе и какую роль в этом процессе могут сыграть компьютерное зрение и модели Ultralytics YOLO . Давайте начнем!
Прогнозирование столкновений - это способность системы искусственного интеллекта понимать, как движутся объекты, и предвидеть, когда они могут сблизиться или столкнуться. Различные системы могут использовать эту информацию по-разному, включая поддержку функций безопасности, оптимизацию движения или координацию действий в общем пространстве.
Везде, где объекты перемещаются в общем пространстве, будь то автомобили на шоссе, погрузчики в складском проходе или пешеходы, переходящие улицу, прогнозирование столкновений помогает системам понять, как может развиваться это взаимодействие. В приложениях, ориентированных на безопасность, такое прогнозирование может использоваться для снижения риска, а в других ситуациях - для решения таких задач, как планирование маршрутов, выбор времени или координация движения.
Например, во многих новых автомобилях, оснащенных передовыми системами помощи водителю, или ADAS, камеры и датчики следят за дорогой впереди и оценивают, насколько быстро автомобиль приближается к близлежащим объектам. Если система обнаруживает, что ситуация может стать небезопасной, она предупреждает водителя, и в некоторых случаях автоматическое торможение может помочь уменьшить последствия столкновения.
Прогнозирование столкновений - это скоординированный процесс, в котором различные компоненты ИИ работают вместе, чтобы идентифицировать объекты, проследить за их движением и оценить, что может произойти дальше. Обычно такие системы проходят четыре взаимосвязанных этапа: обнаружение объекта, отслеживание объекта, прогнозирование траектории и, наконец, предсказание столкновения, причем каждый этап основывается на точности предыдущего.
Далее рассмотрим подробнее, как работает каждый этап.
Обнаружение объектов - это основная задача компьютерного зрения, в которой модели искусственного интеллекта идентифицируют и определяют местоположение объектов в изображении или видеокадре. Анализируя пиксельные данные, модель обнаружения объектов может выдать три основных результата: ограничительные рамки, классы объектов и баллы доверия. Граничные поля показывают, где находится объект, классы объектов указывают, что это за объект, например автомобиль, пешеход или велосипедист, а баллы уверенности отражают, насколько модель уверена в своем прогнозе.
Модели ИИ для зрения, такие как YOLO11 и YOLO26, опираются на этот фундамент и поддерживают несколько смежных задач, включая обнаружение объектов, отслеживание объектов и определение ориентированных ограничительных рамок (OBB). Обнаружение объектов позволяет системе предсказания определить, что находится в каждом кадре, отслеживание следит за перемещением объектов, а ориентированные ограничительные рамки обеспечивают более точные формы для объектов, которые появляются под разными углами.
На этом этапе система предсказания столкновений сосредоточена исключительно на понимании того, что присутствует в визуальных данных. Она формирует базовый слой информации, от которого зависят все последующие шаги, но еще не учитывает, как объекты будут двигаться или взаимодействовать.
Как только объекты обнаружены, следующим шагом будет их track по кадрам, чтобы система могла понять, как они перемещаются во времени. В то время как обнаружение обеспечивает новые ограничительные рамки в каждом кадре, отслеживание объектов добавляет непрерывность, связывая эти обнаружения во времени.
Алгоритмы отслеживания, поддерживаемые пакетомUltralytics Python , такие как ByteTrack или BoT-SORT, работают с моделями типа YOLO11 , используя данные обнаружения из каждого кадра для отслеживания объектов по мере их перемещения. Эти алгоритмы присваивают каждому объекту уникальный идентификатор и используют его для сохранения идентичности, даже когда объект быстро перемещается или становится частично скрытым. Таким образом, создается плавная история слежения, фиксирующая перемещение объекта.
Вот краткий обзор того, как работают эти два метода отслеживания:
Чтобы определить, насколько хорошо работают эти методы отслеживания, исследователи оценивают их на установленных наборах данных и эталонах многообъектного отслеживания (MOT). Также обычно используются такие метрики, как точность отслеживания нескольких объектов (MOTA), которая отражает общее качество отслеживания; оценка идентификации F1 (IDF1), которая измеряет, насколько последовательно сохраняется идентичность объектов; и точность отслеживания высшего порядка (HOTA), которая предлагает сбалансированный взгляд как на эффективность обнаружения, так и на точность ассоциации.
После отслеживания объекта по нескольким кадрам необходимо предсказать, куда он направится в следующий момент. Это называется прогнозированием траектории. В то время как обнаружение находит объекты и отслеживание следит за их перемещением, прогнозирование смотрит вперед и оценивает их будущее положение.
Информация, полученная в результате обнаружения и отслеживания, такая как ограничительная рамка объекта, его положение в разных кадрах и присвоенный идентификатор, может быть использована для расчета таких характеристик движения, как скорость, направление и характер движения. Эти сведения дают модели прогнозирования данные, необходимые для оценки того, где объект может оказаться в ближайшие несколько секунд.
В случаях, когда данные слежения содержат пробелы или резкие скачки, методы интерполяции помогают восстановить более гладкие и последовательные траектории. Таким образом, модель прогнозирования получает высококачественные данные о движении, а не зашумленные или неполные данные о положении.
Чтобы делать такие прогнозы, многие системы используют модели глубокого обучения, которые предназначены для понимания того, как движение объекта меняется со временем. Анализируя последовательности прошлых положений и полученные из них характеристики движения, эти модели изучают общие шаблоны движения и используют эти знания для прогнозирования будущих траекторий.
Вот некоторые часто используемые подходы глубокого обучения и машинного обучения для прогнозирования траекторий:
Эти модели могут предсказывать как краткосрочные, так и долгосрочные траектории. Краткосрочные прогнозы, обычно не превышающие двух секунд, как правило, наиболее точны, в то время как прогнозы на более длительные промежутки времени, например от двух до шести секунд, обеспечивают большее предвидение, но сопровождаются большей неопределенностью.
На последнем этапе, предсказании столкновения, система использует все, что узнала до этого: что представляет собой каждый объект (обнаружение), как он двигался (отслеживание) и куда он, скорее всего, направится в следующий момент (прогнозирование). На этом этапе проверяется, не пересекаются ли какие-либо из прогнозируемых траекторий, что может привести к столкновению.
В случае с автономными автомобилями система контроля столкновений сравнивает будущие траектории движения близлежащих объектов, таких как автомобили, пешеходы и велосипедисты. Если две прогнозируемые траектории пересекаются или опасно сближаются, система отмечает ситуацию как потенциальное столкновение транспортных средств. Чтобы понять, насколько серьезным может быть риск столкновения, система также рассчитывает значение, известное как время до столкновения.
Время до столкновения (TTC) - ключевое измерение в быстро движущихся средах. Оно определяет, сколько времени пройдет до столкновения двух объектов, если они продолжат движение с текущими скоростями и направлениями. Если TTC падает ниже определенного порога, система может отреагировать на это, выдав предупреждение, задействовав тормоза или скорректировав запланированную траекторию.
Прогнозирование столкновений приобретает решающее значение во многих отраслях, включая управление дорожным движением, инфраструктуру "умного города", промышленную автоматизацию и мобильную робототехнику. По мере развития современных моделей компьютерного зрения и прогнозирования эти системы становятся все более способными предвидеть движение.
Теперь, когда мы лучше понимаем, как работают прогнозирование столкновений и прогнозирование траектории, давайте рассмотрим несколько интересных исследований, которые демонстрируют, как эти методы могут использоваться в различных реальных условиях.
Навигация в переполненной, непредсказуемой среде - одна из самых сложных задач для автономных систем, особенно когда пешеходы двигаются не по четким схемам. Автомобили экстренной помощи сталкиваются с этой проблемой еще чаще, поскольку им приходится быстро перемещаться на высоких скоростях по плотным общественным пространствам, не полагаясь на структурированные дороги, разметку полос движения или предсказуемое поведение пешеходов.
В подобных сценариях понимание того, где находятся люди и как они могут двигаться в ближайшие несколько секунд, становится крайне важным для предотвращения аварий. Например, в недавнем исследовании эта задача была решена путем создания полного конвейера прогнозирования столкновений для аварийного автономного автомобиля (EAV), работающего в среде с большим количеством пешеходов.
Вот взгляд на то, как работает эта методология:
Другой подход к предотвращению столкновений не ограничивается транспортными средствами, а фокусируется на самой инфраструктуре. Вместо того чтобы полагаться на датчики внутри автомобиля, этот метод использует интеллектуальные камеры, установленные на пешеходных переходах и перекрестках, чтобы следить за движением пешеходов и транспортных средств в режиме реального времени. Эти места часто непредсказуемы: люди могут внезапно выйти на дорогу, велосипедисты могут пробираться сквозь поток машин, а водители не всегда успевают затормозить, поэтому выявление рисков на ранней стадии жизненно важно.
В одном интересном исследовании эта идея рассматривалась на примере системы под названием NAVIBox- устройства краевого обзора, предназначенного для прогнозирования риска столкновения транспортных средств и пешеходов непосредственно на перекрестке. Система использует Ultralytics YOLOv8 модель для detect пешеходов и транспортных средств, а легкий центроидный трекер - для их отслеживания по кадрам. Таким образом, создаются короткие и надежные истории движения, которые затем уточняются с помощью трансформации перспективы, преобразующей угловой вид CCTV в более четкую схему дороги с высоты птичьего полета.
По этим уточненным траекториям NAVIBox может оценить, как участники дорожного движения будут двигаться в ближайшие несколько секунд, и проверить, могут ли их пути пересечься (это также называется тестом на пересечение). Если система обнаруживает рискованное взаимодействие, она немедленно отправляет предупреждения через дисплеи для водителей и динамики для пешеходов - без использования удаленного сервера или сетевого соединения. Тестирование в реальных городских условиях показало, что NAVIBox работает достаточно быстро для реагирования в реальном времени и может точно определять потенциальные сценарии столкновений, что делает его практичным инструментом безопасности для оживленных городских перекрестков.
Вот некоторые преимущества использования систем прогнозирования столкновений на основе искусственного интеллекта:
Несмотря на свои преимущества, системы без столкновений также имеют определенные ограничения. Вот несколько проблем, которые следует учитывать:
Прогнозирование столкновений объединяет две мощные возможности: компьютерное зрение, позволяющее системам понимать, что происходит в окружающей среде в данный момент, и прогнозирование траектории, помогающее им предвидеть, что может произойти в следующий момент.
Объединив эти возможности, машины могут detect движущиеся объекты в реальном времени и предсказывать их взаимодействие в ближайшие секунды. По мере развития компьютерного зрения и методов прогнозирования предсказание столкновений, вероятно, станет ключевым фактором для создания более безопасных, надежных и масштабируемых автономных систем.
Ознакомьтесь с нашим сообществом и репозиторием GitHub, чтобы узнать больше об искусственном интеллекте. Ознакомьтесь с такими приложениями, как ИИ в здравоохранении и компьютерное зрение в производстве, на страницах наших решений. Узнайте о наших вариантах лицензирования и начните создавать уже сегодня!
