Інтелектуальна інформаційна система допомоги водію з використанням технологій штучного інтелекту та комп'ютерного зору

Abstract

У роботі представлено програмний прототип інтелектуальної системи допомоги водію (ADAS), здатної в реальному часі аналізувати відео з фронтальної камери та передавати критичну інформацію про дорожню ситуацію. Рішення орієнтоване на використання у транспортних засобах без вбудованих ADAS-систем. Це особливо актуально для України, де вік переважної частини автомобілів перевищує 20 років. [1]. Система функціонує автономно, не втручаючись у керування автомобілем, і призначена для підвищення рівня поінформованості водія, зменшення ризику ДТП і підвищення безпеки руху. Реалізація системи виконана на Python з багатопотоковою архітектурою та підтримкою роботи на недорогих пристроях без GPU. Проблематика дослідження полягає в обмеженій доступності сучасних ADAS для більшості водіїв. За умов зростання транспортного навантаження, старіння інфраструктури та високої частки ДТП, спричинених людським фактором, виникає необхідність у створенні доступної інформаційної системи, яка надає ключову інформацію незалежно від типу авто та не впливає на органи керування [2, 3]. Розроблена система використовує технології комп’ютерного зору та глибокого навчання для розпізнавання розмітки, транспортних засобів, світлофорів, знаків і дорожніх дефектів. Методологія розробки включала етапи аналізу аналогів, системного проєктування, моделювання, реалізації та тестування. Було проведено системний аналіз із використанням UML-нотацій. Запропоновано багатопотокову модульну архітектуру, що забезпечує гнучку інтеграцію функціональних блоків. Детально спроєктовано підсистеми розпізнавання об'єктів, дорожніх знаків, розмітки, виявлення вибоїн, оцінки швидкості та перспективної трансформації. Для навчання використано датасети KITTI, BDD100K, CULane, Roboflow. Моделі YOLOv8 і YOLOv11 адаптовано для CPU [4, 5, 6]. Особлива увага приділялася візуалізації результатів. Реалізовано два режими: повний, що забезпечує детальну відлагоджену картину, і швидкий, з мінімальним навантаженням на увагу водія. Система містить модулі LED-відображення, розрахунку відстаней, зон небезпеки та інформування через піктограми. Інтерфейс підтримує конфігурацію, калібрування та персоналізацію. Передбачено перспективу адаптації для платформ типу Raspberry Pi шляхом оптимізації моделей, зокрема використанням NCNN і FP16. У результаті реалізації прототипу було підтверджено ефективність обраних архітектурних рішень. Вимірювання точності (mAP, Precision, Recall), стабільності та продуктивності засвідчили придатність системи до практичного використання. Було протестовано роботу в різних апаратних умовах, проведено аналіз вузьких місць і визначено напрями для подальшої оптимізації. Економічна оцінка підтвердила доцільність розробки. Було порівняно вартість розробки й експлуатації з існуючими аналогами, обраховано ефективність у довгостроковій перспективі. Встановлено, що система здатна окупити витрати протягом кількох років, зберігаючи високу функціональність за нижчої вартості, ніж вбудовані ADAS. Потенційне масштабування забезпечує додаткову економічну ефективність і доступність продукту для масового ринку. Об'єктом дослідження є процеси інформаційної підтримки водія на основі відеоаналізу дорожньої сцени. Предметом дослідження виступають методи й засоби побудови інтелектуальної системи з використанням комп'ютерного зору в умовах обмежених ресурсів. Наукова новизна роботи полягає у створенні комплексної системи, здатної функціонувати на недорогому обладнанні, з повною підтримкою ключових функцій ADAS, без інтеграції в керування авто. Запропоновано оригінальні підходи до оптимізації архітектури й подання інформації водію. Результати апробовано на міжнародній конференції та опубліковано у фаховому журналі. Встановлено, що система має практичну цінність, технічну реалізованість і економічну доцільність.This thesis presents a software prototype of an intelligent driver assistance system (ADAS) capable of analyzing video from a front-facing camera in real time and delivering critical information about the road environment. The solution is intended for use in vehicles lacking built-in ADAS systems, which make up the majority of Ukraine's vehicle fleet [1]. The system operates autonomously, without interfering with vehicle control, and is designed to increase driver awareness, reduce accident risks, and enhance road safety. It is implemented in Python using a multithreaded modular architecture optimized for low-cost, GPU-less devices. The research problem stems from the limited accessibility of modern ADAS technologies for most drivers. In Ukraine, most cars are over 20 years old and lack integrated driver support tools [1]. Given the increasing traffic load, infrastructure aging, and a high rate of driver-related accidents, there is a clear need for an affordable solution that can provide essential information in real time regardless of vehicle type [2, 3]. The proposed system uses computer vision and deep learning to detect lane markings, vehicles, traffic lights, road signs, and surface damage. The methodology involved stages of literature review, system modeling, architectural design, implementation, and testing. A system analysis was performed using UML notations (use cases, states, sequences, and classes) and BPMN for business process modeling. A multithreaded modular architecture was proposed to allow flexible integration of functional subsystems. Core modules were designed for object detection, traffic sign recognition, lane detection, pothole identification, speed estimation, and perspective transformation. The training phase utilized datasets such as KITTI, BDD100K, CULane, and Roboflow. YOLOv8 and YOLOv11 models were adapted to run efficiently on CPU [4, 5, 6]. Special attention was given to the system's visual output. Two operation modes were developed: a full mode for detailed debugging and a fast mode for minimal distraction. The interface includes LED-based alerts, distance estimation, collision warning zones, and icon-based information. It supports configuration, calibration, and user personalization. Adaptation for platforms like Raspberry Pi is planned via model optimization, including NCNN and FP16 implementations. Prototype testing confirmed the effectiveness of the selected architectural approach. Evaluations of detection accuracy (mAP, Precision, Recall), stability, and performance demonstrated the system's readiness for real-world use. Tests across various hardware configurations identified performance bottlenecks and optimization opportunities. Economic analysis validated the feasibility of development. The prototype's development and operational costs were compared to existing analogs, confirming economic viability. The system can recoup its investment within several years, delivering full ADAS functionality at a fraction of the cost. Scalability offers further efficiency and affordability for mass deployment. The object of study is the process of supporting driver decision-making through real-time video analysis. The subject of study involves methods and tools for building an intelligent system using computer vision in resource-constrained environments. The scientific novelty lies in developing a comprehensive ADAS system that operates on inexpensive hardware without interfering with vehicle control. Novel approaches to architectural optimization and information delivery were introduced. The research results were presented at an international scientific conference and published in a peer-reviewed academic journal. The system has demonstrated practical value, technical feasibility, and economic justification.