ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРИ УПРАВЛЕНИИ ТРАНСПОРТНЫМИ СРЕДСТВАМИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ И СЛОЖНЫХ ДОРОЖНЫХ СИТУАЦИЯХ

APPLICATION OF NEURAL NETWORK MODELS IN VEHICLE DRIVING UNDER UNCERTAINTY AND COMPLEX ROAD SITUATIONS

Dinar Murzin

Postgraduate student, Naberezhnye Chelny Institute (branch) of Kazan (Volga Region) Federal University,

Russia, Naberezhnye Chelny

Larisa Simonova

Professor, doctor of science, Naberezhnye Chelny Institute (branch) of Kazan (Volga Region) Federal University,

Russia, Naberezhnye Chelny

АННОТАЦИЯ

В статье рассматривается возможность применения нейросетевых моделей для повышения точности управления транспортными средствами в условиях неопределенности и сложных дорожных ситуаций. Цель – проанализировать факторы, влияющие на точность нейросетевых алгоритмов управления, и оценить современные подходы к повышению надежности таких систем. Метод – подход к оценке точности моделей, исследование влияния внешних факторов (шум датчиков, погодные условия, непредвиденное поведение участников движения) на качество управления, а также анализ современных решений, направленных на повышение устойчивости нейросетевых моделей. Результаты. Показано, что применение нейросетевых моделей может достигать высокой точности управления в типичных условиях, однако при возникновении неопределенностей (например, неожиданные препятствия, плохая видимость, сложная траектория) их эффективность снижается. Обзор современных подходов (байесовские нейронные сети, ансамбли моделей, энд-ту-энд обучения, робастные алгоритмы) демонстрирует их способность повысить надежность управления и снизить риск отказов. Выводы. Нейросетевые модели обладают большим потенциалом в системе автономного управления транспортом, однако для обеспечения требуемой точности и безопасности в сложных ситуациях необходимы методы учета неопределенности, расширение обучающих выборок редкими сценариями и интеграция с традиционными контроллерами безопасности.

ABSTRACT

 The article examines the accuracy of vehicle control using neural network models under uncertainty and complex road situations. Aim: To analyze factors affecting the accuracy of neural network driving algorithms and to evaluate modern approaches for improving the reliability of such systems. Method: A review and comparison of model accuracy evaluation methods, study of the influence of external factors (sensor noise, weather conditions, unexpected behavior of other road users) on control quality, and analysis of current solutions aimed at increasing the robustness of neural network models. Results: It is shown that neural network models can achieve high control accuracy under typical conditions; however, when uncertainties arise (e.g., sudden obstacles, poor visibility, complex trajectories), their performance degrades. A survey of modern approaches (Bayesian neural networks, model ensembles, end-to-end learning, robust algorithms) demonstrates their ability to improve driving reliability and reduce the risk of failures. Conclusions: Neural network models have great potential in autonomous vehicle control systems, but to ensure the required accuracy and safety in complex situations, it is necessary to incorporate uncertainty estimation, expand training datasets with rare scenarios, and integrate neural controllers with traditional safety systems.

Ключевые слова: нейросетевые модели; автономное управление; точность; неопределенность, дорожные условия, машинное обучение; безопасность.

Keywords: neural network models, autonomous control, accuracy, uncertainty, road conditions, machine learning; safety.

В современных условиях вопросы повышения точности и надежности управления транспортными средствами приобретают особую значимость. Важнейшей задачей становится разработка алгоритмов, способных эффективно функционировать в условиях неопределенности и сложных дорожных ситуаций. Современные достижения применения глубокого обучения описаны в работе Singh и Arat [2].

Оценка точности управления транспортным средством основана на наборе критериев, таких как точность прогнозирования траектории движения, скорость реакции на изменения внешней среды и устойчивость к шумам датчиков. Экспериментальные исследования подтверждают преимущество применения нейросетевых подходов по сравнению с традиционными алгоритмами в условиях ограниченной видимости и сложных маневров.

Нейросетевые модели имеют перспективы для широкого внедрения в практику управления транспортными средствами, однако требуют дальнейшей доработки и адаптации для надежной работы при различных неопределенностях.  В исследовании Tian и коллег [4] предложен инструмент DeepTest для автоматического выявления ошибочных поведений нейросетевых моделей в различных дорожных ситуациях: отклонение траектории движения от заданной (например, среднеквадратичная ошибка или максимальное боковое отклонение от полосы), точность поддержания безопасной дистанции до других объектов, частота допущения критических ошибок (таких как выезд за пределы полосы либо экстренное торможение без необходимости), время реакции системы – насколько быстро модель реагирует на внезапное препятствие или изменение сигнала светофора, плавность управления (резкие рывки рулевого управления или торможения свидетельствуют о недостаточной обученности модели). На оценку точности управления транспортным средством влияет ряд проблем, которые напрямую связаны с качеством вождения. В таблице 1 представлены результаты анализа проблем и решений, влияющих на качество вождения. 

Таблица 1.

Анализ проблем и решений, влияющих на качество вождения

Оценка проводится как в виртуальных симуляционных средах, так и на полигонных испытаниях. Имитационное моделирование позволяет проигрывать тысячи сценариев, измеряя точность следования траектории и количество инцидентов. При этом используются эталонные траектории и метрики сравнения «предполагаемого» поведения с фактическим поведением модели. Так, в среде CARLA или подобных симуляторах вычисляют процент успешно пройденных сложных участков (перекрестки, круговое движение, объезд препятствий) без вмешательства оператора. В реальных испытаниях на закрытых трассах измеряют точность выполнения маневров (например, перестроение, объезд неожиданного препятствия) и сравнивают с эталонным выполнением водителем-испытателем.

Методы оценки включают также стресс-тестирование на граничных случаях. Например, проверяется, сможет ли модель удерживать автомобиль на дороге при внезапном появлении помехи или в условиях аквапланирования. Для количественной оценки вводятся показатели надежности: вероятность безаварийного пробега на определенную дистанцию или доля успешно завершенных сценариев. Совокупность таких критериев позволяет комплексно оценить точность и надежность нейросетевой модели управления.

Одной из главных проблем при внедрении нейросетевых систем управления является их чувствительность к неопределенностям внешней среды. Неопределенность данных может быть вызвана шумами и погрешностями датчиков: камеры могут давать размытое изображение в дождь, лидар – искажать расстояния при снегопаде, а показания GPS становятся неточными в городских условиях (эффект «городского каньона»). Чувствительность к неопределенностям внешней среды рассматривается в работе Chen и коллег [5], которые предложили когнитивные модели с механизмом внимания. В таких ситуациях снижается точность распознавания дорожной обстановки, что напрямую влияет на корректность управляющих действий. Например, при ухудшении видимости или разметки увеличивается ошибка позиционирования автомобиля в полосе.

Динамическая неопределенность связана с непредсказуемым поведением других участников движения. Резкое перестроение соседнего автомобиля, внезапное появление пешехода или животного на дороге – все это случаи, которые трудно заранее учесть в обучении. Нейросеть, никогда не сталкивавшаяся с подобными примерами, может выдать неверную реакцию. Исследования показывают, что даже модели с высокой средней точностью могут испытывать «слабую производительность» на резких поворотах и перекрестках, где увеличивается кривизна траектории и разнообразие ситуаций​. Иными словами, ошибка прогнозирования управляющего воздействия возрастает на крутых поворотах и в нестандартных ситуациях.

Неопределенности модели – еще один фактор, влияющий на точность. К ним относятся неполнота обучающих данных (так называемые «длиннохвостые» сценарии, редко встречающиеся в обучении) и внутренние приближения самой нейросети. Например, сеть может переобучиться на типичные городские условия и плохо обобщать знания на сельскую дорогу с грязью или гравием. В литературе отмечается, что аномальные и неопределенные входные данные прямо влияют на способность автономной системы адекватно воспринимать мир и принимать решения​. Для безопасного функционирования требуется оценивать уверенность прогнозов модели в режиме реального времени​. Без такой оценки система не знает, когда её собственные решения ненадежны, и не может запросить помощь у резервных алгоритмов или человека.

Сложные дорожные ситуации, такие как сложное сочетание факторов (ночь + дождь + дорожные работы), особенно сильно снижают точность нейросетевой модели. Совокупность нескольких неопределенностей может приводить к нештатному поведению: например, известны случаи, когда автономный автомобиль неверно интерпретировал мокрую дорожную разметку как препятствие или, наоборот, не распознал затопленный участок дороги, что привело к некорректной траектории движения. Таким образом, для повышения точности необходим учет разнообразных видов неопределенности на этапах разработки и обучения моделей.

Современные исследования предлагают различные подходы к решению этой проблемы. Один из них – использование методов байесовского глубокого обучения, при котором нейросеть не просто выдает единственное управляющее воздействие, а сопровождает его оценкой доверия (дисперсии). Например, применение специальных слоев-дропаута при инференсе позволяет оценить разброс выходов сети и тем самым количественно измерить неопределенность её решения​. Если неопределенность превышает порог, система может перейти в безопасный режим. Однако внедрение таких методов усложняет и замедляет работу модели, что также учитывается при оценке общей точности системы в реальном времени.

За последние годы разработано множество подходов, направленных на повышение точности и надежности нейросетевых моделей управления транспортом. Одно из первых прорывных решений – система NVIDIA PilotNet, реализующая энд-ту-энд обучение: от входного изображения с камеры напрямую к управляющим командам (руление)​. Эта модель, представленная М. Боярски с коллегами [1], показала способность самостоятельно обучиться управлять автомобилем по дорожным видео без явного выделения признаков​. В испытаниях PilotNet успешно удерживал автомобиль в полосе как на локальных дорогах, так и на шоссе, даже при отсутствии четкой разметки​. Однако такой подход «черного ящика» имеет ограничения – выяснилось, что при выходе за рамки обучающих данных (например, нестандартная дорожная ситуация) система может дать сбой. Тем не менее, работа NVIDIA продемонстрировала принципиальную осуществимость управления на основе одной нейросети, оптимизирующей всю цепочку обработки сразу​.

Другой класс решений – модульные архитектуры с элементами нейросетей. В них общая задача разделяется на подсистемы: perception (восприятие окружающей обстановки), planning (планирование пути) и control (непосредственное управление приводом). Нейросети часто используются на этапе восприятия (распознавание дорожных объектов, разметки, знаков) и частично на этапе планирования траектории. Управляющие же воздействия могут формироваться классическими алгоритмами (например, PID- или MPC-контроллерами) на основе результатов, предоставленных нейросетевыми модулями. Такая гибридная схема повышает общую надежность: даже если нейросетевая часть ошибочно классифицирует объект, блок нижнего уровня может ограничить опасные воздействия (например, автоматический экстренный тормоз сработает при малейшем риске столкновения независимо от вывода нейросети). Совмещенные системы позволяют достичь приемлемого компромисса между точностью и безопасностью.

Для повышения точности в условиях неопределенности применяются комбинация моделей. Несколько нейросетевых моделей, обученных разными способами или на разных данных, одновременно принимают решение, и финальный вывод получается усреднением или голосованием. Такой подход повышает устойчивость к ошибкам отдельной модели: если одна сеть дала сбой на редком случае, общее решение большинства всё равно может оказаться правильным. Предложено учитывать как алетическую неопределенность (шумы данных), так и эпистемическую неопределенность (неизвестность модели) для получения более надежных прогнозов. Это достигается либо посредством байесовских нейросетей, либо путем объединения нескольких детерминированных моделей с различным опытом. Экспериментально было показано, что такой подход уменьшает количество неожиданных ошибок управления в сложных сценах.

Помимо совершенствования самих моделей, улучшаются и данные для их обучения. Компании, ведущие разработки автономных автомобилей (Waymo, Tesla, Mobileye и др.), формируют обширные датасеты с редкими и сложными ситуациями – от поведения автомобиля на обледенелой дороге до появления кенгуру на трассе. Применяются методы генерации синтетических данных: искусственно создаются сценарии, трудно встречаемые в реальности, но потенциально опасные. Глубокие сети обучаются на подобных расширенных выборках и благодаря этому лучше справляются с «нестандартными» случаями. Например, система Mobileye сообщала о успешном прохождении моделей через множество сложных сценариев, специально сгенерированных для тестирования (резкое подрезание, объезд нескольких препятствий одновременно и т.д.), что свидетельствует о повышении их эффективности в сравнении с предыдущим поколением алгоритмов.

Внедрение специальных механизмов обработки неопределенности позволяет существенно снизить количество ошибок в сложных случаях. Так, в работе [3] нейросетевой алгоритм рулевого управления с элементами робастного контроля сумел удерживать автомобиль на заданной траектории даже при воздействии сильного бокового ветра и скользкой дороге, а максимальное отклонение от траектории снизилось более чем на 30% по сравнению с базовой моделью без робастных дополнений. Эти результаты подтверждают эффективность комплексных подходов, сочетающих машинное обучение и принципы теории управления.

Рисунок 1. Пример архитектуры нейросетевой модели энд-ту-энд управления

(CNN для прогнозирования рулевого управления по изображению с камеры)

На рисунке 1 показана упрощенная архитектура нейросетевого контроллера типа «end-to-end». Подобные конфигурации, содержащие несколько сверточных слоев для выделения признаков и полносвязные слои для принятия решения, используются в ряде современных систем автономного управления. В частности, представленная архитектура аналогична модели PilotNet от NVIDIA [1]. Несмотря на впечатляющие возможности такого подхода, практика его применения выявила необходимость встроенных механизмов контроля: в последние годы акцент смещается на создание интерпретируемых и верифицируемых моделей. Появляются инструменты диагностики нейросетей (например, метод карты значимости, показывающий, каким областям изображения уделяет внимание модель при принятии решения). Такие инструменты помогают обнаруживать потенциальные источники ошибок модели еще до выезда на дорогу.

Анализ показывает, что нейросетевые модели способны обеспечивать высокую точность управления транспортными средствами в стандартных условиях, за счет способности обучаться на больших объемах данных и учитывать множество факторов одновременно. Однако в условиях неопределенности и появления нестандартных ситуаций точность их работы снижается, что может приводить к аварийным ситуациям

Нейросетевые технологии открывают новые возможности для автономного управления транспортом, повышая его эффективность и потенциально снижая влияние человеческого фактора. Тем не менее, для достижения требуемой точности и надежности необходим комплексный подход, объединяющий достижения машинного обучения с проверенными инженерными решениями. Дальнейшие исследования в этой области, включая разработку объяснимых нейросетей и стандартов тестирования автономных систем, позволят повысить доверие к таким моделям и обеспечить безопасную эксплуатацию автономного транспорта на дорогах общего пользования.

Список литературы:

1. Bojarski M., Firner B., Flepp B. et al. End to End Learning for Self-Driving Cars // *arXiv:*1604.07316. – 2016. – 9 p.
2. Singh K.B., Arat M.A. Deep Learning in the Automotive Industry: Recent Advances and Application Examples // *arXiv:*1906.08834. – 2019. – 14 p.
3. Swain S.K., Rath J.J., Veluvolu K.C. Neural Network-Based Robust Lateral Control for an Autonomous Vehicle // Electronics. – 2021. – Vol. 10, no. 4. – 18 p.
4. Tian Y., Pei K., Jana S., Ray B. DeepTest: Automated Testing of Deep-Neural-Network-driven Autonomous Cars // *arXiv:*1708.08559. – 2017. – 12 p.
5. Chen S., Zhang S., Shang J., Chen B., Zheng N. Brain Inspired Cognitive Model with Attention for Self-Driving Cars // *arXiv:*1702.05596. – 2017. – 13 p.