Інтелектуальна інформаційна система допомоги водію з використанням технологій штучного інтелекту та комп’ютерного зору
Автор: Телюк Артем Михайлович
Кваліфікаційний рівень: магістр (ОНП)
Спеціальність: Системний аналіз (освітньо-наукова програма)
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2024-2025 н.р.
Мова захисту: англійська
Анотація: У роботі представлено програмний прототип інтелектуальної системи допомоги водію (ADAS), здатної в реальному часі аналізувати відео з фронтальної камери та передавати критичну інформацію про дорожню ситуацію. Рішення орієнтоване на використання у транспортних засобах без вбудованих ADAS-систем. Це особливо актуально для України, де вік переважної частини автомобілів перевищує 20 років. [1]. Система функціонує автономно, не втручаючись у керування автомобілем, і призначена для підвищення рівня поінформованості водія, зменшення ризику ДТП і підвищення безпеки руху. Реалізація системи виконана на Python з багатопотоковою архітектурою та підтримкою роботи на недорогих пристроях без GPU. Проблематика дослідження полягає в обмеженій доступності сучасних ADAS для більшості водіїв. За умов зростання транспортного навантаження, старіння інфраструктури та високої частки ДТП, спричинених людським фактором, виникає необхідність у створенні доступної інформаційної системи, яка надає ключову інформацію незалежно від типу авто та не впливає на органи керування [2, 3]. Розроблена система використовує технології комп’ютерного зору та глибокого навчання для розпізнавання розмітки, транспортних засобів, світлофорів, знаків і дорожніх дефектів. Методологія розробки включала етапи аналізу аналогів, системного проєктування, моделювання, реалізації та тестування. Було проведено системний аналіз із використанням UML-нотацій. Запропоновано багатопотокову модульну архітектуру, що забезпечує гнучку інтеграцію функціональних блоків. Детально спроєктовано підсистеми розпізнавання об’єктів, дорожніх знаків, розмітки, виявлення вибоїн, оцінки швидкості та перспективної трансформації. Для навчання використано датасети KITTI, BDD100K, CULane, Roboflow. Моделі YOLOv8 і YOLOv11 адаптовано для CPU [4, 5, 6]. Особлива увага приділялася візуалізації результатів. Реалізовано два режими: повний, що забезпечує детальну відлагоджену картину, і швидкий, з мінімальним навантаженням на увагу водія. Система містить модулі LED-відображення, розрахунку відстаней, зон небезпеки та інформування через піктограми. Інтерфейс підтримує конфігурацію, калібрування та персоналізацію. Передбачено перспективу адаптації для платформ типу Raspberry Pi шляхом оптимізації моделей, зокрема використанням NCNN і FP16. У результаті реалізації прототипу було підтверджено ефективність обраних архітектурних рішень. Вимірювання точності (mAP, Precision, Recall), стабільності та продуктивності засвідчили придатність системи до практичного використання. Було протестовано роботу в різних апаратних умовах, проведено аналіз вузьких місць і визначено напрями для подальшої оптимізації. Економічна оцінка підтвердила доцільність розробки. Було порівняно вартість розробки й експлуатації з існуючими аналогами, обраховано ефективність у довгостроковій перспективі. Встановлено, що система здатна окупити витрати протягом кількох років, зберігаючи високу функціональність за нижчої вартості, ніж вбудовані ADAS. Потенційне масштабування забезпечує додаткову економічну ефективність і доступність продукту для масового ринку. Об’єктом дослідження є процеси інформаційної підтримки водія на основі відеоаналізу дорожньої сцени. Предметом дослідження виступають методи й засоби побудови інтелектуальної системи з використанням комп’ютерного зору в умовах обмежених ресурсів. Наукова новизна роботи полягає у створенні комплексної системи, здатної функціонувати на недорогому обладнанні, з повною підтримкою ключових функцій ADAS, без інтеграції в керування авто. Запропоновано оригінальні підходи до оптимізації архітектури й подання інформації водію. Результати апробовано на міжнародній конференції та опубліковано у фаховому журналі. Встановлено, що система має практичну цінність, технічну реалізованість і економічну доцільність. Ключові слова: ADAS, комп’ютерний зір, глибинне навчання, YOLO, Python, відеоаналіз, інформаційна система, багатопотоковість, реальний час. Перелік використаних літературних джерел: 1. Широкун І. Скільки насправді машин в Україні: багато чи мало? // Auto24. 2023. URL: https://auto.24tv.ua/skilky_naspravdi_mashyn_v_ukraini_bahato_chy_malo_n43694 2. Gasser T. M., Frey A. T., Seeck A., Auerswald R. Comprehensive definitions for automated driving and ADAS // 25th International Technical Conference on the Enhanced Safety of Vehicles (ESV). Detroit, USA, 2017. Paper Number: 17-0380. 3. Choi S., Thalmayr F., Wee D., Weig F. Advanced driver-assistance systems: Challenges and opportunities ahead // McKinsey & Company. February 2016. URL: https://www.mckinsey.com 4. Murthy J. S., Siddesh G. M., Lai W.-C., et al. ObjectDetect: A Real-Time Object Detection Framework for Advanced Driver Assistant Systems Using YOLOv5 // Wireless Communications and Mobile Computing. 2022. Article ID 9444360. DOI: 10.1155/2022/9444360. 5. Sapkota R., Ahmed D., Karkee M. Comparing YOLOv8 and Mask RCNN for Object Segmentation in Complex Orchard Environments // Qeios. 2024. DOI: 10.32388/ZB9SB0. 6. Kim Y.-M., Kim Y.-G., Son S.-Y., et al. Review of Recent Automated Pothole-Detection Methods // Applied Sciences. 2022. Vol. 12, No. 11. Article 5320. DOI: 10.3390/app12115320.