Автономные транспортные системы
Организаторы профиля: ООО «Академия Высоких Технологий», Московский политехнический университет и ГК «Геоскан».
Профиль Автономные транспортные системы посвящен применению технологий искусственного интеллекта в задачах беспилотного транспорта. Внедрение беспилотников в информационную инфраструктуру города позволяет тонко управлять ресурсом техники, предсказывать возможные сценарии развития событий и своевременно реагировать на изменения в городской среде.
Финалисты на заключительном этапе решают комплексную инженерную задачу: создать, отладить и внедрить в интеллектуальную городскую инфраструктуру, представленную специальным интерактивным полигоном с моделью города, полностью автономную мультимодальную транспортную систему.
Разрабатываемая система состоит из нескольких программируемых автономных устройств: беспилотный автомобиль и квадрокоптер. Беспилотники собирают информацию, необходимую для доставки грузов, а также полезные данные для города. Например, информацию о состоянии дорожного покрытия, об обрыве линий электропередач, о пожарах и т. д.
Решение задачи требует от участников применения знаний и навыков в области технологий искусственного интеллекта, в частности, компьютерного зрения и нейронных сетей. Алгоритмы компьютерного зрения и искусственного интеллекта, которые разрабатывают участники, можно разделить на две группы:
- алгоритмы локального и глобального позиционирования беспилотников;
- алгоритмы, объединяющие разрозненные устройства в единую слаженно работающую систему.
В рамках первой группы алгоритмов финалисты работают над заданиями, связанными с определением местоположения беспилотных устройств в реальном времени. Это включает в себя использование данных с камер и других сенсоров для создания точной карты окружающей среды, а также применение методов машинного обучения для улучшения точности позиционирования в сложных городских условиях (узкие улицы, плотная застройка и динамическое движение пешеходов и транспортных средств).
Вторая группа алгоритмов обеспечивает интеграцию различных беспилотных устройств в единую транспортную систему. Участники создают программы для обмена данными между устройствами, выстраивают логику распределения задач внутри системы. Это позволяет беспилотникам координировать свои действия, оптимизировать маршруты и реагировать на изменения в окружающей среде.
Сквозная технология профиля — компьютерное зрение. В течение всех этапов участники учатся применять ее в различных отраслях:
- локальное и глобальное позиционирование беспилотного автомобиля, детектирование и взаимодействие с объектами городской среды — дорожными знаками, светофорами, пешеходами, дорожной разметкой;
- навигация квадрокоптера по графическим меткам и различным визуальным маркерам;
- анализ больших данных, собираемых беспилотниками;
- распознавание маркировки для решения задач промышленной робототехники.
На первом отборочном дистанционном этапе участники решают задачи инженерного и предметного туров. Они знакомят школьников с тематикой профиля и вовлекают в изучение образовательной программы профиля.
На предметном туре определяется общий уровень подготовки по школьным предметам: информатика и физика. Задачи по информатике проверяют знания по комбинаторике, теории вероятностей, алгоритмизации, теории игр и программированию. Задания по физике относятся к разделам: механика, оптика и электричество.
В ходе инженерного тура школьники демонстрируют умение применять знания, полученные в первой половине образовательной программы профиля. Здесь задания посвящены:
- представлению изображения в памяти компьютера;
- использованию различных цветовых пространств;
- пороговой и адаптивной бинаризации;
- поиску и анализу контуров;
- детектированию объектов по цветам;
- распознаванию, сравнению с шаблоном;
- обработке видеопотока.
Количество попыток сдачи решения задач не ограничено.
Таким образом, в ходе первого отборочного этапа участники профиля Автономные транспортные системы получают основополагающие знания и умения по технологиям профиля, а также готовятся к решению задач следующего этапа.
Второй отборочный этап посвящен отработке навыков программирования, созданию и обучению нейросетей, работе с алгоритмами компьютерного зрения для детектирования, отслеживания и распознавания объектов. Участники сталкиваются с отдельными элементами комплексной инженерной задачи заключительного этапа и таким образом могут освоить умения, необходимые для ее решения.
Работа на втором этапе помогает лучше понять сильные стороны каждого члена команды и наиболее эффективно распределять обязанности и зоны ответственности.
Организаторы разработали для участников программы подготовки к Национальной технологической олимпиаде по профилю Автономные транспортные системы: https://avt.global/nto_program, выложенную в открыттый доступ. Она содержит теоретический материал и практические задания на закрепление полученных знаний, все ее разделы логично выстроены в соответствии с уровнем начальных знаний участников профиля.
Программа включает в себя следующие материалы:
Курс по основам программирования на Python
Продвинутый курс по программированию на Python
Урок НТО «Введение в компьютерное зрение»
Видеокурс по компьютерному зрению
Видеокурс по нейронным сетям
Урок по обучению нейросетевого детектора
https://colab.research.google.com/drive/1qLyriEpKll-Xa9vEaNXGvvLeopxwn9Pw?usp=sharing.
Организаторы профиля проводят регулярные консультации с участниками в онлайн-формате и отвечают на возникающие вопросы в чате участников в Телеграм и других интернет-сообществах профиля.
Призеры, победители и финалисты профиля поступают в ведущие вузы страны и успешно ведут в них проектную деятельность по инженерным направлениям как в области искусственного интеллекта, так и в смежных направлениях.
Компетенции, полученные за время участия в профиле, востребованы в дальнейшей проектной работе в вузах, а также применяются в отрасли. Так, команда молодых ученых разработала беспилотного робота-курьера (http://vestnik-glonass.ru/news/intro/komanda-molodykh-uchenykh-razrabotala-bespilotnogo-robotakurera/). Примером применения полученных знаний и умений в области, не связанной с беспилотным транспортом, является COVID Challenge (https://avt.global/covid). В рамках мероприятия участники обучили нейронную сеть, определяющую наличие инфекции COVID-19 у сотен пациентов города Москвы по трехмерным снимкам компьютерной томографии легких.
