26dea7d168
Ретина, ламина, медулла, лобула, грибовидное тело, веерное тело, центральный комплекс, нисходящие нейроны. Обучение памяти тоннеля и считывания MBON, оценка leave-one-bag-out, полигон дальности, 24 теста. Реальный объект на 55 м — 98.9 % кадров, ложных 7.5 трека на км, кадр обрабатывается за 33 мс на CPU.
6 KiB
Кейс 05 · Обнаружение посторонних объектов в тоннеле метро по данным 3D-лидара
Хакатон «Лидеры цифровой трансформации» (ЛЦТ) 2026 — конкурс Мэра Москвы для лучших ИТ-специалистов мира.
📋 Общая информация
| Параметр | Значение |
|---|---|
| Номинация | Компьютерное зрение |
| Заказчик | Московский транспорт (Департамент транспорта и развития дорожно-транспортной инфраструктуры города Москвы), ГУП «Московский Метрополитен» |
| Ссылка на задачу | i.moscow/hackaton/lct/1233bb5506bc455f86d534b3b40171f1 |
| Формат продукта | Программный комплекс (ROS2) |
🏆 Призовой фонд
| Место | Сумма |
|---|---|
| 🥇 1 место | 1 000 000 ₽ |
| 🥈 2 место | 600 000 ₽ |
| 🥉 3 место | 400 000 ₽ |
🎯 Актуальность
В настоящее время активно ведётся разработка беспилотного поезда метро, для которого одной из ключевых функций является контроль пространства по ходу движения. Особенно важна задача мониторинга тоннеля: необходимо своевременно выявлять посторонние объекты, попадающие в габарит поезда и потенциально представляющие угрозу безопасности движения.
Использование 3D-лидара позволяет получать информацию о пространстве перед поездом вне зависимости от условий освещённости. При этом требуется разработать алгоритм, который сможет надёжно обнаруживать препятствия на максимально возможной дальности, сохраняя низкий уровень ложно-положительных срабатываний. Решение данной задачи критически важно для построения безопасной и устойчивой системы автономного управления поездом метро.
🧩 Описание задачи
Разработайте программный комплекс на базе методов обработки 3D-лидарных данных, который:
- Обрабатывает облака точек, получаемые с 3D-лидара, установленного на беспилотном поезде метро;
- Выполняет мониторинг пространства перед поездом в тоннеле в реальном времени;
- Обнаруживает посторонние объекты, попадающие в зону, ограниченную габаритом поезда;
- Обеспечивает детекцию объектов на максимально возможной дальности до препятствия;
- Минимизирует количество ложно-положительных детектов при сохранении высокой чувствительности к реальным препятствиям;
- Формирует выходные данные, пригодные для интеграции в существующий пайплайн компьютерного зрения и системы принятия решений беспилотного поезда.
📦 Ресурсы
- Файлы с лидарными данными, записанными в условиях движения поезда метро в тоннеле.
🚀 Описание итогового продукта
Программный комплекс, включающий:
- ROS2-ноды для загрузки и обработки лидарных облаков точек;
- Алгоритмы фильтрации, сегментации и анализа 3D-данных;
- Модуль детекции посторонних объектов в зонах, ограниченных габаритом поезда;
- Интерфейсы или сообщения для передачи результатов детекции в существующие подсистемы беспилотного поезда.
👥 Рекомендуемые роли в команде
- Системный аналитик
- Инженер компьютерного зрения
- Разработчик робототехники (ROS2)
- Специалисты по работе с данными
- Разработчик программного обеспечения (C++/Python)
💬 Контакты и поддержка
- Телеграм: @help_lct
- Почта: info.leaders@develop.mos.ru
- Модератор задачи: Горбатова Ольга — @gorbatovaol
🗓️ Ключевые этапы конкурса
| Этап | Сроки | Формат |
|---|---|---|
| Приём заявок | до 14 сентября | онлайн |
| Разработка решений | 15–29 сентября | онлайн |
| Техническая экспертиза | 30 сентября – 14 октября | онлайн |
| Презентация проектов | 23 октября | онлайн |
| Церемония награждения | 30 октября | офлайн в Москве |