Комплекс для ускорения обучения систем ИИ для дронов

Инженеры НТИ разработали новый нейросетевой комплекс, предназначенный для ускорения обучения систем искусственного интеллекта для беспилотных летательных аппаратов. Решение представляет собой не отдельный инструмент, а полноценную платформу, охватывающую весь жизненный цикл создания моделей машинного обучения для БПЛА — от интеллектуальной разметки аэрофотоснимков до обучения, тестирования и последующего развертывания алгоритмов на бортовых вычислительных системах, включая отечественные процессоры «Эльбрус».

Ключевое отличие проекта — все процессы происходят внутри инфраструктуры без передачи данных во внешние облака. Это исключает риски утечек и зависимость от зарубежных сервисов. Кроме того, в системе реализованы механизмы интеллектуальной сортировки изображений по изменению ракурса, ранжирования по информативности и автоматического переноса разметки между пересекающимися кадрами. Это позволяет ускорить формирование обучающих выборок в среднем в 3–10 раз, а в отдельных сценариях — до 50 раз.

— Преимуществом данного решения стала доверенная среда, когда исключены риски несанкционированного доступа к информации. Мы создали специализированные инструменты автоматизации разметки для аэрофотосъемки с беспилотников, которые кратно повышают эффективность подготовки обучающих выборок, — подчеркнул разработчик технологии Сергей Иванов.

Платформа адаптирована под ключевые задачи компьютерного зрения для БПЛА: обнаружение, одновременное слежение за несколькими динамическими объектами (мультиобъектный трекинг) и сопровождение целей. Дополнительный элемент — координатно ориентированный алгоритм отслеживания, который фиксирует объекты по их точному положению на карте, снижая вероятность ложных срабатываний.

— Отдельным направлением стала оценка лесного участка, включающая определение объема древесины, возраста, породы и количества деревьев для целей заготовки или управления лесным хозяйством. Нейросеть автоматически рассчитывает параметры деревьев, то есть высоту, возраст, диаметр ствола и кроны, делая это на основе сегментации крон и трехмерных облаков точек. Это особенно актуально в условиях роста природных пожаров и необходимости оперативного мониторинга, — пояснил «Известиям» разработчик.

Проект уже прошел испытания на реальных данных аэрофотосъемки в Ленинградской и Псковской областях. По уровню технологической готовности он достиг стадии, позволяющей перейти к опытной эксплуатации. В дальнейшем планируется интеграция мультимодальных моделей и создание централизованной библиотеки готовых нейросетевых решений, при этом, как отмечают авторы, платформа потенциально способна стать отечественной альтернативой международным, таким как Roboflow.

Перспективы внедрения платформы

Эксперты отметили актуальность технологии для стремительно развивающегося рынка беспилотных устройств.

— Перспективы разработки выглядят весьма широкими на фоне активного внедрения дронов в лесное хозяйство. При широком внедрении она способна значительно поднять эффективность эксплуатации беспилотных систем, снизить затраты и обеспечить максимально качественный результат, — сказал эксперт НТИ «Аэронет», официальный представитель компании «Флай Дрон» Николай Ивашов.

Внедрение должно идти поэтапно: сначала в формате пилотных проектов, например на базе национальных парков, а затем — с масштабированием на регионы. В перспективе технология может выйти за рамки лесной отрасли и применяться в более широком спектре задач, включая различные мониторинговые миссии, уточнил эксперт.

— Разработка вписывается в глобальный тренд развития инфраструктуры вокруг моделей машинного обучения, где ключевую роль играют инструменты подготовки данных и эксплуатации. Сейчас происходит большой прогресс именно в обвязке и инструментарии ИИ-агентов, а не в их создании с нуля. Такие платформы берут на себя подготовку данных, препроцессинг и обработку результатов, — отметил генеральный директор компании «Сверх», эксперт рынка НТИ «Аэронет» Андрей Коригодский.

По его оценке, появление подобных решений критически важно для масштабного внедрения искусственного интеллекта в различные отрасли экономики.

— Проект уже подтверждает свою работоспособность на практике. Его преимущество — в ориентации на импортонезависимость и локальное развертывание, что становится ключевым фактором для государственных и индустриальных заказчиков, — подчеркнул ведущий эксперт в области ИИ «Университета 2035» Ярослав Селиверстов.

Он добавил, что используемый стек моделей обеспечивает баланс между точностью и производительностью, однако сохраняется потенциал для дальнейшего развития за счет интеграции более современных архитектур.

По его мнению, конкурентоспособность этого ИИ-решения будет определяться не только качеством алгоритмов, но и способностью авторов выстроить полноценную экосистему — включая библиотеку готовых моделей, инструменты масштабирования и интеграции с различным аппаратным обеспечением, чего в нынешних рыночных условиях добиться крайне непросто.