Eesti maanteede kehv seisukord ja kvaliteet on aastaid olnud autojuhtide ja avalikkuse kriitika sihtmärgiks. Naljaga pooleks on levimas lausa seisukoht, et meie auklikud maanteed ja tänavad ongi see kaua otsitud Eesti Nokia.
Olukorra parandamiseks võtsid tarkvaraettevõte Reach-U ja TalTech ette ühisprojekti, mille lõpptulemusel valminud tehnoloogia aitab paremini jälgida teede seisukorda ning tagab senisest parema teede infrastruktuuri.
Probleemi lahendamise käigus kasvas koostööprojektist välja täiesti uus ettevõte EyeVi Technologies. EyeVi nüüdne meeskond töötas välja tehisintellekti, mis mängib oma enneolematu täpsuse ja kiirusega olulist rolli Euroopa ja Põhja-Ameerika maanteede-tänavate seisukorra kohta andmete kogumisel ja analüüsimisel.
Neid andmeid kasutatakse teede remondiprojektide tuvastamiseks ja priotiseerimiseks, mille tulemusena saavad lõppkokkuvõttes kõik autojuhid ohutumalt, sujuvamalt ja nauditavamalt sõita.
Miks tehisintellekt?
Traditsiooniliselt on teeaukude ja -pragude tuvastamine tähendanud mitut autot nõudvat, aeglast ning muu liikluse vahel toimuvat liikumist. Reach-U võttis eesmärgiks luua tehnoloogia, millega varustatud auto saaks viia teekattedefektide tuvastamiseks vajalikud mõõtmised läbi tavapärasel liikumiskiirusel. See tooks varasemaga võrreldes kaasa mitu korda suurema efektiivsuse.
Tallinna Tehnikaülikooli tarkvarateaduse instituudi vanemteadur Andri Riid avaldab, et TalTechi ja Reach-U koostööna käivitus 2018. aastal projekt “Metodoloogia automaatseks teekattedefektide tuvastamiseks” – uuriti võimalust tuvastada erinevate meetodite, sh tehisintellekti abil teekattedefekte.
Koostöö jätkus juba mahukamas projektis “Kuluefektiivse ühildatava geodeetilise täpsusega 3D ruumiandmete taristu loomise rakendusuuring”, mida viidi ellu aastatel 2019-2021.
Riid viitab, et traditsiooniliselt on teedefektide kohta kogutud informatsiooni manuaalsel moel – see tähendab vaatlusautot, millega sõidetakse ringi ja märgitakse üles kõik kohatud defektid. Tehnika areng on aga võimaldanud kaardistusprotsessi automatiseerida – moodsal ajal pildistab teepinda kaameratega varustatud auto ning kogutud fotosid töödeldakse nii, et need kujutavad teepinda. Teekatte defekte tuvastatakse siiski üldjuhul käsitsi.
“Selleks on arvuti taga inimesed, kes kerivad kaardistatud teelinti ekraanil edasi ja märgivad ära kõik märgatud teekattedefektid, mida võib olla mitut liiki – näiteks erinevat tüüpi praod, löökaugud, murenemised,” kirjeldab Riid.
Ta lisab, et viimase kümne aasta jooksul toimunud masinnägemise revolutsioon võimaldab sellega seotud tööd nüüd automatiseerida.
“Tehisintellekt ei ole midagi jäigalt programmeeritut, selle keskmes on konvolutsioonilised närvivõrgud, millega on võimalik pilte ja videoid klassifitseerida, neid segmenteerida ja neilt objekte tuvastada,” selgitab Riid.
Ta toob välja peamise kitsaskoha: närvivõrke ei ole võimalik konstrueerida eos targana, vaid nende tarkus tekib närvivõrgu treenimisel annoteeritud näitematerjaliga, nii et närvivõrk hakkab defekte piltidelt ära tundma ja kasutajale näitama. Annoteerimine ehk ülesmärkimine peab olema kvaliteetne ja palju sõltub ka lähtematerjali enda seisukorrast.
“Tehisintellekti kaasamine võimaldab tuvastada teedefekte siiski kiiremini ja odavamalt, kui seda suudab inimtööjõud,” kinnitab Riid.
Vana postitee Eestis | Foto: Anna Svetlichnaia
Teaduskoostöö pakub palju võimalusi
Tallinna Tehnikaülikool pakub ettevõtjatele mitmesuguseid koostöövõimalusi ja muuhulgas on võimalik kaasata ülikooli teadlasi tootearendusse.
Näiteks teedefektide kaardistamise projekti puhul viis TalTech läbi kogu uurimistöö ning tegeles närvivõrkude treenimise ja arendusega.
Andri Riid toob välja, et TalTechi töö ei sisaldanud ainuüksi teedefektide tuvastust, vaid ülikooli teadlased uurisid kogu teede infrastruktuuri ning lähteandmetena kasutati kõiki mobiilse kaardistamise raames kogutud meediume – panoraamfotosid, ortofotosid, punktipilvi.
Tööd tehti ka teekatte tüübi klassifitseerimise, liiklusmärkide tuvastamise ning teeala ja punktipilvede segmenteerimisega (siia alla käisid maapind, taimestik, ehitused, postid, autod, teepiirded, elektriliinid).
“Saavutasime tehisintellekti abil suhteliselt hea tulemuse ning selletõttu rakendasime seda algselt planeeritust märksa rohkem,” märgib Riid.
Nagu mainitud, mängib tehisintellekti puhul kriitilist tähtsust treenimismaterjal ja annoteerimisprotsess. “Projekti ilmselt suurimaks proovikiviks oli annoteerimismetoodika, selleks sobilike tööriistade väljatöötamine ja annoteerimise korraldamine. Tehisintellekti rakendamine, eriti just treenimise osa, nõuab pealegi suuri arvutusvõimsusi,” ütleb Riid.
Koostööprojekt lõppes juba kaks aastat tagasi ning Reach-U osakonnast, mis oli projektiga seotud, on nüüdseks saanud samas valdkonnas jätkav kaardistamistehnoloogiaalane ettevõte EyeVi Technologies. Jätkatakse autole paigaldatava kaardistustehnoloogia arendamist, mis võimaldab tuvastada automaatselt teetähiseid ja teekatte defekte ning luua isesõitvate autode juhtimiseks vajalikke täpseid kaarte.
Niiviisi aitab teaduskoostöös valminud tehisintellekt luua mugavamat elu. “See tähendab korrasolevaid teid, mis ei lõhu autot, paremat teede infrastruktuuri ning digitaalkaksikute ja -kaartide kujul ka sisendit isesõitvatele autodele,” toob Riid välja üldise kasu.
