madiАвтомобиль. Дорога. Инфраструктура. = Avtomobil'. Doroga. Infrastruktura.Avtomobil'. Doroga. Infrastruktura.2409-7217МАДИmadi-1547Research Article2.5.11. Наземные транспортно-технологические средства и комплексыАктуальные вопросы совершенствования технического зрения при использовании на автомобиляхCurrent issues in improving technical vision for use in vehiclesТыняныйАлександр ГергиевичTynyanyyAleksandr G.

аспирант кафедры «Автомобили»

postgraduate student of the Department of Automobiles

in.a1ex.ph@gmail.comКристальныйСергей РобертовичKristalniySergey R.

канд. техн. наук, доцент кафедры «Автомобили»

Candidate of Sciences (Technical), associate professor of the Department of Automobiles

sporauto@mail.ruКрасавинПавел АлександровичKrasavinPavel A.,

канд. техн. наук, доцент кафедры «Автомобили»

Candidate of Sciences (Technical), associate professor of the Department of Automobiles,

krasavin.madi@yandex.ruТопорковМаксим АлексееевичToporkovMaksim A.

канд. техн. наук, доцент кафедры «Автомобили»

Candidate of Sciences (Technical),  associate professor of the Department of Automobiles

makstoporkov@rambler.ruАндреевАлексей НиколаевичAndreevAleksey N.

старший преподаватель кафедры «Автомобили»

 senior lecturer of the Department of Automobiles

andr_aleksei@mail.ruМАДИРоссияMADIRussian Federation20263103202601(47)66Copyright © Тыняный А.Г., Кристальный С.Р., Красавин П.А., Топорков М.А., Андреев А.Н., 20262026Тыняный А.Г., Кристальный С.Р., Красавин П.А., Топорков М.А., Андреев А.Н.Tynyanyy A.G., Kristalniy S.R., Krasavin P.A., Toporkov M.A., Andreev A.N.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.adi-madi.ru/madi/article/view/1547

Системы технического зрения активно используются на автомобильном транспорте. Развитие этого направления приводит к увеличению числа бортовых камер, установленных на транспортном средстве. При помощи различных алгоритмов анализа изображений, с применением нейронных сетей можно получать информацию об окружающем пространстве автомобиля и свойствах рядом расположенных объектов. Важной особенностью является позиционирование объектов в пространстве и определение расстояния до них. Такие функции используются для определения безопасной дистанции и с целью построения оптимальной траектории движения автомобиля в заданном пространстве. В данной статье рассматриваются различные способы анализа изображений с целью применения на автомобилях в системах помощи водителю или в беспилотных автомобилях.

Technical vision systems are actively used in automotive transport. The development of this area leads to an increase in the number of onboard cameras installed on vehicles. Using various image analysis algorithms and neural networks, it is possible to obtain information about the vehicle's surroundings and the properties of nearby objects. An important feature is the positioning of objects in space and the determination of their distance. These functions are used to determine a safe distance and to create an optimal vehicle trajectory in a given space. This article discusses various methods of image analysis for use in car assistance systems or even in self-driving cars.

техническое зрениеобнаружение окружающего пространстваопределение расстояния по изображениюнейронная сетьсистемы помощи водителю.technical visionenvironmental detectionimage-based distance measurementneural networksand driver assistance systemsReferencesЭволюция архитектур нейросетей в компьютерном зрении: сегментация изображений. – URL: https://habr.com/ru/companies/slsoft/articles/864994/?ysclidEvolution of Neural Network Architectures in Computer Vision: Image Segmentation. Available at: https://habr.com/ru/companies/slsoft/articles/864994/?ysclid=mi7e2qugg9143782482.=mi7e2qugg9143782482 (дата обращения: 24.10.2025).Semantic Segmentation Using Deep Learning - MATLAB & Simulink. Available at: https://www.mathworks.com/help/vision/ug/semantic-segmentation-using-deep-learning.html#d119e211.Semantic Segmentation Using Deep Learning. – MATLAB & Simulink. – URL: https://www.mathworks.com/help/vision/ug/semantic-segmentation-using-deep-learning.html#d119e211 (дата обращения: 20.12.2024).A. Karpathy. PyTorch at Tesla. Scientific and technical report and presentation, PyTorch DEVCON-19, 06.11.2019. Available at: https://www.youtube.com/watch?v=oBklltKXtDE&ab_channel=PyTorch.Karpathy, A. PyTorch at Tesla / A. Karpathy // Научно-технический доклад и презентация, PyTorch DEVCON-19, 6 ноября 2019 г. – URL: https://www.youtube.com/watch?v=oBklltKXtDE&ab_channel=PyTorch (дата обращения: 15.07.2025).Goodfellow I., Bengio Y., Courville A. Deep Learning. Massachusetts: MIT Press. 2016.Goodfellow, I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. –Massachusetts: MIT Press, 2016. – 800 p. – ISBN 0262035618.Rumelhart, D., Hinton, G. & Williams, R. Learning representations by back-propagating errors // Nature. 1986. pp. 533-536Kingma, Diederik P. Adam: A Method for Stochastic Optimization / Diederik P. Kingma, J. Ba. – URL: https://arxiv.org/abs/1412.6980 (дата обращения: 15.07.2025).Diederik P. Kingma, Ba J. Adam: A Method for Stochastic Optimization. URL: https://arxiv.org/abs/1412.6980.Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks / S. Ren, K. He, R. Girshick, J. Sun // IEEE transactions on pattern analysis and machine intelligence. – 2017. – Vol. 39, No. 6. – P. 1137-1149. – DOI 10.1109/TPAMI.2016.2577031.Ren S. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // IEEE Trans. Pattern Anal. Mach. Intell. 2017. Т. 39. № 6. С. 1137–1149.Region Proposal by Guided Anchoring / J. Wang, K. Chen, Sh. Yang, Ch.Ch. Loy // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. – 2019. – P. 2965-2974. – DOI 10.1109/cvpr.2019.00308.Wang J. Region Proposal by Guided Anchoring // 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2019.Region-Based Convolutional Networks for Accurate Object Detection and Segmentation / R. Girshick, J. Donahue, T. Darrell, J. Malik // IEEE transactions on pattern analysis and machine intelligence. – 2016. – Vol. 38, No. 1. – P. 142-158. – DOI 10.1109/TPAMI.2015.2437384.Girshick R. Region-Based Convolutional Networks for Accurate Object Detection and Segmentation // IEEE Trans. Pattern Anal. Mach. Intell. 2016. Т. 38. № 1. С. 142–158.Семантическая сегментация с высоты птичьего полета для автономного вождения. – URL: https://readmedium.com/monocular-birds-eye-view-semantic-segmentation-for-autonomous-driving-ee2f771afb59 (дата обращения: 05.10.20250).Monocular Bird’s-Eye-View Semantic Segmentation for Autonomous Driving. Available at: https://readmedium.com/monocular-birds-eye-view-semantic-segmentation-for-autonomous-driving-ee2f771afb59.Обратное преобразование перспективы с помощью ручной точки схода. – URL: https://github.com/osvaldlaszlo/inverse-perspective-mapping?tab=readme-ov-file (дата обращения: 05.10.2025).Reverse perspective transformation using a manual vanishing point. Available at: https://github.com/osvaldlaszlo/inverse-perspective-mapping?tab=readme-ov-file.DisNet: a novel method for distance estimation from monocular camera / MA. Haseeb, J. Guan, D. Ristic-Durrant, A. Gräser // IEEE/RSJ international conference on intelligent robots and systems – IROS 2018, 10th workshop on planning, perception and navigation for intelligent vehicles (PPNIV). – 2018.Haseeb MA, Guan J, Ristić-Durrant D, et al. DisNet: a novel method for distance estimation from monocular camera. // IEEE/RSJ international conference on intelligent robots and systems – IROS 2018, 10th workshop on planning, perception and navigation for intelligent vehicles (PPNIV). 2018Nair, R.S. Robotic Path Planning Using Recurrent Neural Networks / R.S. Nair, P. Supriya // 2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT). – IEEE, 2020. – P. 1-5. – DOI 10/1109/ICCCNT49239.2020.9225479.Nair R. S., Supriya P. Robotic Path Planning Using Recurrent Neural Networks // 2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT). 2020.Multimodal End-to-End Autonomous Driving / Yi. Xiao, F. Codevilla, A. Gurram [et al.] // IEEE Transactions on Intelligent Transportation Systems. – 2022. – Vol. 23, No. 1. – P. 537-547. – DOI 10.1109/tits.2020.3013234. – EDN AVEFER.Xiao Y. и др. Multimodal End-to-End Autonomous Driving // IEEE Trans. Intell. Transport. Syst. 2022. Т. 23. № 1. С. 537–547.Behavior-based neuro-fuzzy controller for mobile robot navigation / P. Rusu, E.M. Petriu, T.E. Whalen, A. Cornell, H.J.W. Spoelder // IEEE Transactions on Instrumentation and Measurement. – 2003. – Vol. 52, No. 4. – P. 1335-1340. – DOI 10.1109/TIM.003.816846.Rusu P. и др. Behavior-based neuro-fuzzy controller for mobile robot navigation // IEEE Trans. Instrum. Meas. 2003. Т. 52. № 4. С. 1335–1340.End-to-End Deep Neural Network Design for Short-term Path Planning / M. Dao, D. Lanza, V. Fremont. – URL: https://hal.archives-ouvertes.fr/hal-02266802 (дата обращения: 15.07.2025).Dao M., Lanza D., Fremont V., End-to-End Deep Neural Network Design for Short-term Path Planning. Available at: https://hal.archives-ouvertes.fr/hal-02266802.

The authors declare that there are no conflicts of interest present.