Технология Cognitive Track Detector от «Когнитив Пилот» уже более полугода работает на умных трамваях Санкт-Петербурга. Для рынка это важный сигнал: в российском транспорте ИИ все чаще решает не витринные задачи, а прикладную проблему безопасности, где ошибка измеряется не в процентах CTR, а в риске ДТП и сбоях движения.
О промышленной эксплуатации решения сообщает CNews со ссылкой на компанию. Речь идет о системе, которая определяет траекторию движения трамвая не по цифровым картам и навигации, а по изображению рельсового пути. Для автономного или полуавтономного рельсового транспорта это ключевая задача: если система неверно понимает, где именно проходит «свой» путь, она начинает хуже прогнозировать дорожную ситуацию и может ошибаться при оценке объектов впереди.
Проблема не новая, но в городе она особенно неприятна. Цифровые карты устаревают, иногда содержат неточности, а инерциальная навигация и одометрия на поворотах дают накопленную ошибку. В итоге отклонение может достигать нескольких метров. Для обычного легкового автопилота это уже неприятно. Для трамвая, который не может просто объехать препятствие и жестко привязан к рельсам, это критично. Поэтому разработчики сделали ставку на машинное зрение: система должна понимать путь так же, как его видит водитель, а не как он нарисован в базе данных.
По словам гендиректора компании Ольги Усковой, технология способна повысить безопасность движения на 20–25%. Это оценка, которую компания приводит со ссылкой на экспертов, и именно к ней стоит относиться как к заявленному эффекту, а не как к независимому отраслевому бенчмарку. Там же Ускова говорит, что аналогов решению компания пока не обнаружила, а сам рынок таких систем, по оценке аналитиков, в ближайшие 5–7 лет может вырасти до $1–1,5 млрд. Даже если оставить за скобками маркетинговую остроту формулировки про «аналогов нет», тезис про отдельный рынок выглядит правдоподобно: городской рельсовый транспорт долго жил на сочетании сигнализации, диспетчеризации и человеческого опыта, а не на самостоятельных компьютер-зрительных стэках.
Технически задача оказалась куда менее прямолинейной, чем это может показаться по демонстрационной картинке с рельсами в кадре. Путь могут перекрывать автомобили, погодные условия портят изображение, снег и дождь добавляют шум, а дворники и капли на стекле меняют картину прямо в движении. Плюс городская среда сама по себе сложнее аккуратного полигона: рельсы идут по асфальту, гравию, траве, пересекаются, ветвятся и исчезают под колесами других участников движения. По словам ведущего разработчика Геннадия Савицкого, если в агросценариях компания часто работает с простыми бинарными вариантами вроде «обработано/не обработано», то здесь пришлось распознавать путь сразу из четырех возможных траекторий. Для нейросети это уже не уютная задача классификации, а куда более злая история про пространственный контекст и устойчивость к редким случаям.
Под такую задачу «Когнитив Пилот» собрала, как утверждает компания, крупнейший в мире датасет в этом классе объемом более 0,5 млн элементов. В обучающую выборку вошли реальные данные и синтетические сцены через генеративную аугментацию. Такой подход давно стал нормой в индустрии: редкие и опасные сценарии трудно собирать вживую, зато их можно достраивать искусственно, если команда умеет не сломать распределение данных. В транспортном ИИ это особенно важно, потому что система должна уверенно работать не только на красивом летнем маршруте, но и в депо, на мойке, в снегопад и в моменты, когда картинка выглядит так, будто камеру протирали варежкой.
Самый интересный фрагмент во всей истории связан не с распознаванием рельсов как таковых, а с моментами, когда одного зрения недостаточно. На стрелках, пересечениях и разветвлениях нейросеть может разделить путь по направлениям, но не всегда способна сама решить, какой из них «свой». Тогда в ход идут дополнительные признаки. Компания прямо говорит, что среди них могут использоваться даже действия водителя, например включение сигнала поворота. Это уже показательная деталь: в реальных транспортных системах побеждает не красивая идея «чистого end-to-end ИИ», а гибрид, где нейросеть закрывает тяжелую перцепцию, а логика маршрута и контекста добирается из вспомогательных источников.
Для русскоязычной ИТ-аудитории здесь сразу несколько практических выводов. Первый: промышленное компьютерное зрение все сильнее смещается от лабораторных метрик к задаче устойчивости на грязных данных. Второй: без больших специализированных датасетов и постоянного дообучения такие продукты не живут, особенно в транспорте. Третий: рынок автономии в России развивается не только вокруг беспилотных такси и складских роботов, но и вокруг более прозаичных систем помощи водителю, где окупаемость понятнее, а регуляторная рамка мягче. Для продактов и фаундеров это хороший урок: иногда самый перспективный ИИ-продукт не выглядит футуристично, зато решает дорогую и скучную проблему лучше существующих инструментов.
Теперь главный вопрос в другом: останется ли история про умные трамваи единичным кейсом в Петербурге или превратится в масштабируемый стандарт для рельсового транспорта в других городах. Если подобные системы действительно смогут стабильно снижать риски и не разваливаться на стрелках, в снегу и на старой инфраструктуре, следующая конкуренция развернется уже не вокруг громких обещаний автономности, а вокруг качества данных, надежности моделей и цены интеграции в реальный городской парк.