Autonomní systém pro detekci rizikových situací v dopravě s využitím znalosti trajektorie

An autonomous system for detecting risky situations in traffic using knowledge of the trajectory

Software

Jedná se o autonomní systém pro detekci rizikových situací na železničním přejezdu. Systém bude snímat pomocí kamerového modulu pohyb vozidel při průjezdu přejezdem a na základě jejich trajektorií vyhodnotí v reálném čase, zda nedochází k rizikové situaci, která by mohla ohrozit účastníky provozu. Příkladem těchto rizikových situací je otáčení vozidla, nepovolené přejíždění mezi jízdními pruhy, zablokování přejezdu zastavením atd. Při detekci rizikové situace bude tato informace předána k dalšímu zpracování, jehož primárním cílem bude co nejrychlejší náprava situace a tím zvýšení bezpečnosti a plynulosti dopravy. Následné zpracování bude např. formou vhodného přizpůsobení proměnného dopravního značení a může obsahovat také postupy na případný postih řidiče za spáchaný dopravní přestupek. Zpracování rizikové situace je navrženo jako modulární, protože je odlišné pro různé zadavatele, kteří mohou být z různých států (odlišné pravidla silničního provozu, specifické umístění atd.). Důležitou součástí systému bude statistické vyhodnocení dopravní zátěže obsahující např. počet průjezdů v jednotlivých směrech, průměrnou rychlost při průjezdu v daném časovém horizontu, četnost kategorií vozidel dle regulárních výrazů, aktuální hustotu dopravy atd. Tato data jsou důležitá k optimalizaci dopravního provozu.

It is an autonomous system for detecting risky situations at a railway crossing. The system will use a camera module to detect the movement of vehicles when passing through the crossing and, based on their trajectories, will evaluate in real time whether there is a risky situation that could endanger road users. Examples of these risky situations are turning of the vehicle, unauthorized crossing between traffic lanes, blocking the crossing by stopping, etc. When a risky situation is detected, this information will be forwarded for further processing, the primary goal of which will be to remedy the situation as quickly as possible and thus increase the safety and flow of traffic. Subsequent processing will, for example, be in the form of suitable adaptation of variable traffic signs and may also include procedures for possible punishment of the driver for a traffic offence. The processing of the risk situation is designed to be modular, as it is different for different contractors who may be from different states (different road rules, specific location, etc.). An important part of the system will be a statistical evaluation of the traffic load, including, for example, the number of passes in individual directions, the average speed during a pass in a given time horizon, the frequency of vehicle categories according to regular expressions, current traffic density, etc. These data are important for the optimization of traffic operations.

computer vision;intersection;level crossing;machine learning;neural networks;risk situations;traffic analysis;

computer vision;intersection;level crossing;machine learning;neural networks;risk situations;traffic analysis;

Ústav telekomunikací FEKT, Vysoké učení technické v Brně, Technická 12, 616 00 Brno, místnost SD5.66

K využití výsledku jiným subjektem je vždy nutné nabytí licence

https://www.azd.cz/cs/produkty