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.

Lisaks probleemi lahendamisele kasvas koostööprojektis välja ka täiesti uus ettevõte EyeVi Technologies. Nüüdse EyeVi meeskonna välja töötatud tehisintellekt mängib olulist rolli Euroopa ja Põhja-Ameerika maanteede ja tänavate seisukorra kohta andmete kogumisel ja analüüsimisel ning seda kõike enneolematu täpsuse ja kiirusega. 

Neid andmeid kasutatakse teede remondiprojektide tuvastamiseks ja priotiseerimiseks, mille tulemuseks on lõppkokkuvõttes ohutum, sujuvam ja nauditavam sõit kõigile autojuhtidele.

Miks tehisintellekt?  

Traditsiooniliselt on teeaukude ja -pragude tuvastamine tähendanud sõitu mitme autoga ja aeglasel kiirusel keset muud liiklust. Reach-U aga võttis eesmärgiks luua tehnoloogia, millega varustatud auto saaks teekattedefektide tuvastamiseks vajalikud mõõtmised teha tavapärasel liikumiskiirusel, seega oleks ka efektiivsus varasemaga võrreldes mitu korda suurem.

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 teekatte defekte erinevate meetodite, sh tehisintellekti abiga. 

Koostöö jätkus juba mahukamas projektis “Kuluefektiivse ühildatava geodeetilise täpsusega 3D ruumiandmete taristu loomise rakendusuuring”, mida täideti aastatel 2019-2021.

Riid viitab, et traditsiooniliselt on teedefektide kohta kogutud informatsiooni manuaalselt, see tähendab, et ringi sõidab vaatlusauto ja üles kirjutatakse kõik kohatud defektid. Tehnika areng on aga võimaldanud kaardistusprotsessi automatiseerimist. See tähendab, et moodsal ajal teeb pilte teepinnast kaameratega varustatud auto ning kogutud pilte töödeldakse nii, et need kujutavad teepinda. Teekatte defektide tuvastust tehakse siiski üldjuhul käsitsi.

“Selleks on arvuti taga inimesed, kes kerivad kaardistatud teelinti ekraanil edasi ja märgivad ära kõik märgatud teekatte defektid, mida võib olla mitut liiki – näiteks erinevat tüüpi praod, löökaugud, murenemised,” kirjeldab Riid.   

Ta lisab, et viimase kümne aasta jooksul toimunud revolutsioon masinnägemises võimaldab nüüd automatiseerida ka seda töö osa. 

“Tehisintellekt ei ole midagi jäigalt programmeeritut, selle keskmes on konvolutsioonilised närvivõrgud, millega on võimalik pilte ja videosid klassifitseerida, neid segmenteerida ja neilt objekte tuvastada,” selgitab Riid. 

Ta toob välja, et peamine kitsaskoht seejuures on, et närvivõrke ei ole võimalik konstrueerida eos targana – nende tarkus omandatakse närvivõrgu treenimisel annoteeritud näitematerjaliga, nii hakkab närvivõrk defekte piltidelt ära tundma ja kasutajale näitama. Annoteerimine ehk äramärkimine peab olema kvaliteetne ja palju sõltub ka lähtematerjali enda kvaliteedist. 

“Tehisintellekti kaasamine võimaldab teedefekte siiski tuvastada kiiremini ja odavamalt, kui seda suudab inimtööjõud,” kinnitab Riid tehisintellekti tähtsust. 

Teaduskoostöö pakub palju võimalusi

Tallinna Tehnikaülikool pakub ettevõtjatele mitmesuguseid koostöövõimalusi (vaata lähemalt artiklist SIIT) ja muuhulgas saab kaasata ülikooli teadlased tootearendusse. 

Näiteks teedefektide kaardistamise projekti juures tegi TalTech kogu uurimistöö ning tegeles närvivõrkude treenimise ja arendusega. 

Andri Riid toob välja, et TalTechi tööks ei olnud ainuüksi teedefektide tuvastus, vaid ülikooli teadlaste töö hõlmas kogu teede infrastruktuuri ning lähteandmetena kasutati kõiki mobiilse kaardistamise raames kogutavaid meediume – panoraamfotosid, ortofotosid, punktipilvi. 

Tegeleti ka teekatte tüübi klassifitseerimise, teeala segmenteerimise, liiklusmärkide tuvastamise ning punktipilvede segmenteerimisega (mh erinevad objektid nagu maapind, taimestik, ehitused, postid, autod, teepiirded, elektriliinid). 

“Tehisintellektiga saavutatu suhteliselt hea tulemuslikkuse tõttu rakendasime seda algselt planeeritust märksa rohkem,” märgib Riid. 

Nagu mainitud, on tehisintellekti puhul kriitilise tähtsusega treenimismaterjal ja annoteerimisprotsess. “Annoteerimismetoodika, selleks sobilike tööriistade väljatöötamine ja annoteerimise korraldamine oli projekti puhul ilmselt suurimaks proovikiviks. Tehisintellekti rakendamine, eriti just treenimise osa, nõuab ka suuri arvutusvõimsusi,” ütleb Riid. 

Koostööprojekt sai läbi juba ligi 2 aastat tagasi ning Reach-U sellest osakonnast, kes projektiga seotud oli, on nüüdseks saanud kaardistamistehnoloogia ettevõte EyeVi Technologies, mis jätkab tegutsemist samas valdkonnas. Edasi arendatakse autole paigaldatavat kaardistustehnoloogiat, mis tuvastab automaatselt teetähised ning teekatte defektid ja loob isesõitvate autode juhtimiseks vajalikud täpsed kaardid.

Nii aitab teaduskoostööst valminud tehisintellekt endiselt luua mugavamat elu. “Korrasolevad teed, mis ei lõhu autot, parem teede infrastruktuur ning  digitaalkaksikute  ja -kaartide näol sisend ka isesõitvatele autodele,” toob Riid välja kasu meile kõigile.