From b8e95eccbe92e2ca7265ab087dcfeee331e1630a Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?=D0=94=D0=B0=D0=BD=D0=B8=D0=BB=20=D0=9E=D0=BC=D0=B5=D0=BB?= =?UTF-8?q?=D0=B5=D1=87=D0=BA=D0=BE?= Date: Mon, 21 Sep 2026 17:24:25 +0300 Subject: [PATCH] =?UTF-8?q?ML-=D1=8F=D0=B4=D1=80=D0=BE=20=D0=B4=D0=B5?= =?UTF-8?q?=D1=82=D0=B5=D0=BA=D1=82=D0=BE=D1=80=D0=B0:=20=D0=BA=D0=BE?= =?UTF-8?q?=D0=BD=D0=B2=D0=B5=D0=B9=D0=B5=D1=80=20=D0=BD=D0=B0=20=D1=81?= =?UTF-8?q?=D1=85=D0=B5=D0=BC=D0=B0=D1=85=20=D0=BC=D0=BE=D0=B7=D0=B3=D0=B0?= =?UTF-8?q?=20=D0=B4=D1=80=D0=BE=D0=B7=D0=BE=D1=84=D0=B8=D0=BB=D1=8B?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit 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. --- .gitignore | 8 + README.md | 198 ++++--- artifacts/benchmark.json | 1 + artifacts/generalisation.json | 92 ++++ artifacts/mushroom_body.npz | Bin 0 -> 47634 bytes docs/ALGORITHM.md | 303 ++++++++++ docs/CASE.md | 84 +++ docs/CONNECTOME.md | 175 ++++++ docs/EXPERIMENTS.md | 970 +++++++++++++++++++++++++++++++++ flyguard/__init__.py | 16 + flyguard/bag.py | 133 +++++ flyguard/cdr.py | 130 +++++ flyguard/central_complex.py | 236 ++++++++ flyguard/descending.py | 111 ++++ flyguard/fan_body.py | 180 ++++++ flyguard/geometry.py | 324 +++++++++++ flyguard/lamina.py | 118 ++++ flyguard/lobula.py | 346 ++++++++++++ flyguard/mbon_readout.py | 236 ++++++++ flyguard/medulla.py | 398 ++++++++++++++ flyguard/mushroom_body.py | 482 ++++++++++++++++ flyguard/pipeline.py | 328 +++++++++++ flyguard/retina.py | 351 ++++++++++++ flyguard/synth.py | 315 +++++++++++ requirements.txt | 7 + tests/test_pipeline.py | 326 +++++++++++ tools/_bootstrap.py | 27 + tools/ablation.py | 108 ++++ tools/analyze_corridor.py | 91 ++++ tools/analyze_gauge.py | 111 ++++ tools/analyze_geometry.py | 81 +++ tools/check_obstacle.py | 65 +++ tools/diagnose_fp.py | 108 ++++ tools/evaluate.py | 183 +++++++ tools/extract_channel_table.py | 118 ++++ tools/inspect_bags.py | 114 ++++ tools/make_benchmark.py | 143 +++++ tools/make_training_set.py | 176 ++++++ tools/plot_benchmark.py | 131 +++++ tools/probe_bag.py | 128 +++++ tools/run_pipeline.py | 80 +++ tools/train_mbon.py | 202 +++++++ tools/train_mushroom_body.py | 129 +++++ tools/tune_memory.py | 125 +++++ tools/validate_calibration.py | 93 ++++ 45 files changed, 8020 insertions(+), 61 deletions(-) create mode 100644 .gitignore create mode 100644 artifacts/benchmark.json create mode 100644 artifacts/generalisation.json create mode 100644 artifacts/mushroom_body.npz create mode 100644 docs/ALGORITHM.md create mode 100644 docs/CASE.md create mode 100644 docs/CONNECTOME.md create mode 100644 docs/EXPERIMENTS.md create mode 100644 flyguard/__init__.py create mode 100644 flyguard/bag.py create mode 100644 flyguard/cdr.py create mode 100644 flyguard/central_complex.py create mode 100644 flyguard/descending.py create mode 100644 flyguard/fan_body.py create mode 100644 flyguard/geometry.py create mode 100644 flyguard/lamina.py create mode 100644 flyguard/lobula.py create mode 100644 flyguard/mbon_readout.py create mode 100644 flyguard/medulla.py create mode 100644 flyguard/mushroom_body.py create mode 100644 flyguard/pipeline.py create mode 100644 flyguard/retina.py create mode 100644 flyguard/synth.py create mode 100644 requirements.txt create mode 100644 tests/test_pipeline.py create mode 100644 tools/_bootstrap.py create mode 100644 tools/ablation.py create mode 100644 tools/analyze_corridor.py create mode 100644 tools/analyze_gauge.py create mode 100644 tools/analyze_geometry.py create mode 100644 tools/check_obstacle.py create mode 100644 tools/diagnose_fp.py create mode 100644 tools/evaluate.py create mode 100644 tools/extract_channel_table.py create mode 100644 tools/inspect_bags.py create mode 100644 tools/make_benchmark.py create mode 100644 tools/make_training_set.py create mode 100644 tools/plot_benchmark.py create mode 100644 tools/probe_bag.py create mode 100644 tools/run_pipeline.py create mode 100644 tools/train_mbon.py create mode 100644 tools/train_mushroom_body.py create mode 100644 tools/tune_memory.py create mode 100644 tools/validate_calibration.py diff --git a/.gitignore b/.gitignore new file mode 100644 index 0000000..f582012 --- /dev/null +++ b/.gitignore @@ -0,0 +1,8 @@ +__pycache__/ +*.py[cod] +.venv/ +.pytest_cache/ +data/ +artifacts/mbon_folds/ +docs/figures/*.png +docs/figures/*.mp4 diff --git a/README.md b/README.md index f612c73..b34bf86 100644 --- a/README.md +++ b/README.md @@ -1,84 +1,160 @@ -# Кейс 05 · Обнаружение посторонних объектов в тоннеле метро по данным 3D-лидара +# FlyGuard · ML-ядро -> Хакатон «Лидеры цифровой трансформации» (ЛЦТ) 2026 — конкурс Мэра Москвы для лучших ИТ-специалистов мира. +Обнаружение посторонних объектов в тоннеле метро по данным 3D-лидара +Hesai Pandar128. Кейс 05, ЛЦТ-2026. -  -## 📋 Общая информация +Это **ядро обработки**: облако точек на входе, решение о препятствии на выходе. +Узел ROS 2, транспорт, контейнер и визуализация живут отдельно и сюда не +входят — ядро от них не зависит и проверяется без ROS вообще. -| 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](https://i.moscow/hackaton/lct/1233bb5506bc455f86d534b3b40171f1) | -| **Формат продукта** | Программный комплекс (ROS2) | +--- -  -## 🏆 Призовой фонд +## Чем это не является -| Место | Сумма | -|---|---| -| 🥇 1 место | 1 000 000 ₽ | -| 🥈 2 место | 600 000 ₽ | -| 🥉 3 место | 400 000 ₽ | +Не нейросетевой детектор общего назначения. Конвейер собран по схемам +зрительной системы дрозофилы, и каждая стадия — это конкретный нейропиль с +конкретной функцией, а не слой, подобранный перебором: -  -## 🎯 Актуальность +``` +облако точек 0.3–0.9 млн, 10 Гц + │ + ├─ RETINA омматидиальная решётка → дальностный образ 128 × N + ├─ HALTERES плоскость рельсов: крен, тангаж, высота сенсора + ├─ LAMINA диспаритет 1/R → ON/OFF, центр-окружение на 3 масштабах + ├─ MEDULLA / LP T4/T5 → LPTC: скорость поезда без одометрии + ├─ LOBULA LC11: кандидаты; разрез компоненты по контрасту + ├─ MUSHROOM BODY KC → APL → MBON: новизна формы (без меток) + │ + обученное считывание MBON (с метками из физики) + ├─ FAN-SHAPED BODY накопление лучей в координатах пути + ├─ CENTRAL COMPLEX накопление улик в координатах пути, треки + └─ DESCENDING два порога с гистерезисом → решение +``` -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. +Ничего про геометрию сенсора не захардкожено: решётка лучей, высота установки, +крен и тангаж **калибруются по самим данным** на первых кадрах. В записях +встречаются две раскладки скана (3600 азимутов на 360° и 1200 на 120°) и две +высоты установки (1.31 и 1.70 м) — ядро работает с обеими без правок. -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 +## Что нужно интеграции: один класс, один вызов -Разработайте программный комплекс на базе методов обработки 3D-лидарных данных, который: +```python +from flyguard.pipeline import FlyGuard, Params +from flyguard.mushroom_body import MushroomBody +from flyguard.mbon_readout import MbonReadout -1. Обрабатывает облака точек, получаемые с 3D-лидара, установленного на беспилотном поезде метро; -2. Выполняет мониторинг пространства перед поездом в тоннеле в реальном времени; -3. Обнаруживает посторонние объекты, попадающие в зону, ограниченную габаритом поезда; -4. Обеспечивает детекцию объектов на максимально возможной дальности до препятствия; -5. Минимизирует количество ложно-положительных детектов при сохранении высокой чувствительности к реальным препятствиям; -6. Формирует выходные данные, пригодные для интеграции в существующий пайплайн компьютерного зрения и системы принятия решений беспилотного поезда. +fg = FlyGuard(Params(), + memory=MushroomBody.load("artifacts/mushroom_body.npz"), + readout=MbonReadout.load("artifacts/mbon_readout.npz")) -  -## 📦 Ресурсы +res = fg.process(cloud) # cloud: flyguard.cdr.PointCloud2 +if res is None: + ... # первые 12 кадров уходят на калибровку решётки +else: + d = res.decision # detected, distance, confidence, emergency, objects + res.total_ms # время обработки кадра +``` -- Файлы с лидарными данными, записанными в условиях движения поезда метро в тоннеле. +Требования к входу: `flyguard.cdr.PointCloud2` — поля `x, y, z, intensity`, +порядок точек как в сыром CDR. Конвейер **хранит состояние между кадрами** +(решётка, плоскость пути, ось пути, треки, накопитель), поэтому один экземпляр +обслуживает один поток данных; для параллельных сценариев нужны разные +экземпляры. -  -## 🚀 Описание итогового продукта +Выход `Decision`: `detected`, `distance` (м), `confidence` (0…1), +`emergency` (флаг экстренного торможения), `objects` (список подтверждённых +треков с id, дистанцией и габаритами). -Программный комплекс, включающий: +Всё считается на **CPU**, GPU не требуется. Медиана обработки кадра — 33 мс +при бюджете 100 мс. -1. **ROS2-ноды** для загрузки и обработки лидарных облаков точек; -2. Алгоритмы фильтрации, сегментации и анализа 3D-данных; -3. Модуль детекции посторонних объектов в зонах, ограниченных габаритом поезда; -4. Интерфейсы или сообщения для передачи результатов детекции в существующие подсистемы беспилотного поезда. +--- -  -## 👥 Рекомендуемые роли в команде +## Структура -- Системный аналитик -- Инженер компьютерного зрения -- Разработчик робототехники (ROS2) -- Специалисты по работе с данными -- Разработчик программного обеспечения (C++/Python) +``` +flyguard/ ядро: стадии обработки, память, считывание + bag.py cdr.py чтение rosbag2 и разбор CDR без ROS + retina.py geometry.py решётка лучей, плоскость рельсов, ось пути + lamina.py medulla.py контраст, движение + lobula.py кандидаты + mushroom_body.py память тоннеля (без меток) + mbon_readout.py обученное считывание (с метками) + fan_body.py накопление в координатах пути + central_complex.py треки и улики + descending.py решение + pipeline.py сборка + synth.py вставка предметов трассировкой лучей +tools/ обучение, оценка, разбор +tests/ 27 тестов, запускаются без данных и без ROS +docs/ методика и результаты +artifacts/ обученные модели +``` -  -  -## 💬 Контакты и поддержка +--- -- Телеграм: [@help_lct](https://t.me/help_lct) -- Почта: info.leaders@develop.mos.ru -- Модератор задачи: **Горбатова Ольга** — [@gorbatovaol](https://t.me/gorbatovaol) +## Как запустить -  -## 🗓️ Ключевые этапы конкурса +```bash +pip install -r requirements.txt +pytest tests -q +``` -| Этап | Сроки | Формат | +Записи лидара в репозиторий не кладутся. Положите их рядом +(`../data/for_hackathon/...`) или укажите путь: + +```bash +set FLYGUARD_DATA=D:\lidar\data +``` + +Обучение и оценка: + +```bash +python tools/make_training_set.py # размеченная выборка +python tools/train_mbon.py --device cuda --baseline # считывание MBON +python tools/evaluate.py --mbon-dir artifacts/mbon_folds # ложные тревоги +python tools/make_benchmark.py --memory artifacts/mushroom_body.npz +python tools/plot_benchmark.py # дальность обнаружения +``` + +--- + +## Где мы сейчас + +| Метрика | Значение | Чем измерено | |---|---|---| -| 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 | +| Реальный объект 0.67 × 1.35 м на 55 м | **98.9 %** кадров | `tools/check_obstacle.py` | +| Ложные тревоги, leave-one-bag-out | **7.5 трека на км**, 16.7 % кадров | `tools/evaluate.py` | +| То же на новой линии, без обученной памяти | 21.8 на км | там же, холодный старт | +| Рабочая дальность (полигон, 14 004 наблюдения) | **100 м** человек стоя, P@50 = 0.70 | `tools/plot_benchmark.py` | +| Обработка кадра | медиана 33 мс из бюджета 100 мс | `tools/run_pipeline.py` | +| Разделение «знакомое / новое» | ROC AUC 0.905 | `tools/tune_memory.py` | + +Проверка всегда **leave-one-bag-out**: память обучается на всех записях, кроме +проверяемой. Иначе цифры лгут — подавлять конструкции, которые сам же и +запомнил, умеет кто угодно, а на приватном тесте будет новый участок. + +--- + +## Что честно не работает + +Разобрано замерами, подробности — в `docs/EXPERIMENTS.md`: + +* **За 200 м на этих участках не увидит никто**: прямая видимость в тоннелях + 121–167 м, дальше линия взгляда упирается в стену кривой. На отдельных + перегонах и того меньше — 49–90 м. +* **Мелкие предметы на большой дальности невозможны с этим сенсором**: ведро + (0.1 м²) на 160–190 м даёт один луч, каска и бутылка — ноль. +* **За 80–90 м прирельсовая зона не наблюдается вовсе**: луч скользит по + полотну, и самая низкая видимая точка у оси пути оказывается выше головки + рельса на 0.1–0.6 м. +* Привыкание внутри проезда сделано и **отвергнуто замером** — п. 10. + +--- + +## Документация + +* `docs/ALGORITHM.md` — что делает каждая стадия и почему именно так. +* `docs/EXPERIMENTS.md` — все замеры, включая отрицательные результаты. +* `docs/CONNECTOME.md` — что взято из коннектома как число, а что как идея. diff --git a/artifacts/benchmark.json b/artifacts/benchmark.json new file mode 100644 index 0000000..e975f23 --- /dev/null +++ b/artifacts/benchmark.json @@ -0,0 +1 @@ +[{"bag": "doubleT_platform", "obj": "человек_стоя", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [4.0, 3.0, 5.0, 5.0, 7.0, 7.0, 5.0, 2.0, 2.0, 3.0, 4.0, 4.0, 2.0, 3.0, 5.0, 6.0, 6.0, 8.0, 6.0, 6.0, 8.0, 10.0, 7.0, 8.0, 9.0, 8.0, 9.0, 9.0, 9.0, 9.0, 10.0, 10.0, 11.0, 9.0, 11.0, 11.0, 9.0, 11.0, 11.0, 10.0, 12.0, 11.0, 11.0, 13.0, 13.0, 14.0, 15.0, 14.0, 15.0, 13.0, 14.0, 14.0, 17.0, 15.0, 14.0, 13.0, 15.0, 17.0, 14.0, 16.0, 19.0, 16.0, 20.0, 18.0, 21.0, 21.0, 22.0, 19.0, 21.0, 22.0, 23.0, 26.0, 26.0, 27.0, 26.0, 27.0, 27.0, 26.0, 27.0, 29.0, 32.0, 35.0, 33.0, 35.0, 35.0, 35.0, 32.0, 36.0, 37.0, 40.0, 42.0, 40.0, 42.0, 43.0, 48.0, 50.0, 47.0, 47.0, 47.0, 53.0, 54.0, 55.0, 56.0, 58.0, 60.0, 61.0, 63.0, 68.0, 75.0, 75.0, 79.0, 86.0, 89.0, 91.0, 88.0, 94.0, 101.0, 102.0, 107.0, 115.0, 117.0, 118.0, 129.0, 132.0, 139.0, 139.0, 142.0, 158.0, 162.0, 169.0, 179.0, 196.0, 201.0, 208.0, 227.0, 232.0, 246.0, 253.0, 271.0, 280.0, 299.0, 315.0, 331.0, 347.0, 372.0, 391.0, 413.0, 423.0, 458.0, 490.0, 517.0, 547.0, 582.0, 607.0, 647.0, 682.0, 730.0, 777.0, 819.0, 873.0, 928.0, 992.0, 1062.0, 1131.0, 1170.0, 1207.0, 1276.0, 1337.0, 1407.0, 1458.0, 1539.0, 1622.0, 1709.0, 1801.0, 1904.0, 2009.0, 2145.0, 2248.0, 2401.0, 2551.0, 2721.0, 2932.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "человек_стоя", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [3.0, 3.0, 2.0, 5.0, 7.0, 7.0, 7.0, 3.0, 4.0, 5.0, 6.0, 4.0, 5.0, 6.0, 6.0, 6.0, 9.0, 7.0, 7.0, 7.0, 10.0, 7.0, 8.0, 10.0, 10.0, 11.0, 7.0, 10.0, 9.0, 10.0, 9.0, 9.0, 10.0, 10.0, 9.0, 11.0, 10.0, 10.0, 11.0, 11.0, 11.0, 11.0, 11.0, 12.0, 15.0, 15.0, 15.0, 14.0, 15.0, 15.0, 15.0, 15.0, 14.0, 17.0, 15.0, 14.0, 14.0, 17.0, 14.0, 16.0, 17.0, 18.0, 21.0, 21.0, 18.0, 19.0, 20.0, 21.0, 23.0, 20.0, 21.0, 25.0, 26.0, 27.0, 26.0, 29.0, 28.0, 28.0, 30.0, 27.0, 28.0, 33.0, 35.0, 36.0, 34.0, 38.0, 38.0, 38.0, 34.0, 39.0, 38.0, 38.0, 41.0, 43.0, 48.0, 46.0, 50.0, 50.0, 48.0, 54.0, 53.0, 54.0, 60.0, 61.0, 60.0, 67.0, 66.0, 73.0, 75.0, 76.0, 80.0, 80.0, 86.0, 86.0, 91.0, 93.0, 95.0, 101.0, 104.0, 108.0, 115.0, 111.0, 117.0, 124.0, 131.0, 137.0, 141.0, 150.0, 158.0, 173.0, 181.0, 184.0, 193.0, 202.0, 209.0, 223.0, 225.0, 243.0, 257.0, 271.0, 287.0, 302.0, 320.0, 340.0, 359.0, 384.0, 408.0, 432.0, 458.0, 479.0, 499.0, 533.0, 561.0, 592.0, 639.0, 677.0, 712.0, 767.0, 813.0, 864.0, 918.0, 976.0, 1045.0, 1108.0, 1151.0, 1190.0, 1268.0, 1312.0, 1365.0, 1432.0, 1517.0, 1589.0, 1681.0, 1764.0, 1863.0, 1991.0, 2089.0, 2236.0, 2356.0, 2506.0, 2694.0, 2853.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "человек_сидя", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [3.0, 1.0, 3.0, 3.0, 3.0, 3.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 2.0, 2.0, 4.0, 4.0, 4.0, 5.0, 4.0, 4.0, 5.0, 6.0, 5.0, 5.0, 5.0, 6.0, 6.0, 6.0, 7.0, 7.0, 6.0, 7.0, 6.0, 7.0, 6.0, 7.0, 6.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 8.0, 9.0, 9.0, 11.0, 11.0, 7.0, 9.0, 6.0, 9.0, 8.0, 9.0, 9.0, 7.0, 8.0, 9.0, 7.0, 9.0, 9.0, 9.0, 12.0, 12.0, 12.0, 12.0, 12.0, 14.0, 11.0, 16.0, 18.0, 16.0, 15.0, 16.0, 19.0, 17.0, 17.0, 19.0, 18.0, 15.0, 20.0, 20.0, 20.0, 20.0, 20.0, 21.0, 22.0, 23.0, 25.0, 27.0, 28.0, 28.0, 26.0, 25.0, 32.0, 34.0, 34.0, 35.0, 35.0, 35.0, 33.0, 32.0, 38.0, 38.0, 40.0, 41.0, 39.0, 46.0, 46.0, 48.0, 49.0, 55.0, 57.0, 58.0, 53.0, 52.0, 62.0, 63.0, 67.0, 75.0, 72.0, 74.0, 85.0, 88.0, 98.0, 90.0, 93.0, 104.0, 107.0, 109.0, 118.0, 114.0, 128.0, 130.0, 141.0, 147.0, 160.0, 158.0, 169.0, 182.0, 192.0, 209.0, 214.0, 218.0, 238.0, 252.0, 265.0, 275.0, 294.0, 319.0, 329.0, 355.0, 380.0, 394.0, 421.0, 447.0, 468.0, 504.0, 537.0, 573.0, 613.0, 637.0, 687.0, 731.0, 750.0, 750.0, 803.0, 801.0, 854.0, 857.0, 910.0, 924.0, 956.0, 1004.0, 1005.0, 1078.0, 1127.0, 1154.0, 1185.0, 1207.0, 1287.0, 1344.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "человек_сидя", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [3.0, 3.0, 0.0, 3.0, 3.0, 3.0, 3.0, 1.0, 2.0, 3.0, 2.0, 3.0, 5.0, 5.0, 5.0, 6.0, 6.0, 6.0, 5.0, 5.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 4.0, 6.0, 6.0, 7.0, 6.0, 6.0, 6.0, 7.0, 7.0, 6.0, 7.0, 7.0, 7.0, 6.0, 7.0, 7.0, 7.0, 7.0, 10.0, 10.0, 11.0, 9.0, 11.0, 9.0, 9.0, 8.0, 6.0, 8.0, 9.0, 9.0, 7.0, 9.0, 7.0, 8.0, 9.0, 8.0, 12.0, 12.0, 12.0, 13.0, 13.0, 12.0, 12.0, 14.0, 14.0, 16.0, 15.0, 18.0, 19.0, 18.0, 16.0, 16.0, 19.0, 19.0, 17.0, 22.0, 21.0, 20.0, 19.0, 20.0, 20.0, 20.0, 22.0, 26.0, 28.0, 27.0, 26.0, 26.0, 32.0, 32.0, 35.0, 34.0, 35.0, 35.0, 35.0, 36.0, 42.0, 37.0, 38.0, 40.0, 40.0, 44.0, 46.0, 48.0, 48.0, 49.0, 55.0, 58.0, 58.0, 55.0, 57.0, 61.0, 61.0, 70.0, 71.0, 72.0, 75.0, 81.0, 87.0, 92.0, 91.0, 92.0, 97.0, 103.0, 112.0, 116.0, 114.0, 122.0, 131.0, 136.0, 148.0, 159.0, 165.0, 166.0, 184.0, 195.0, 212.0, 216.0, 226.0, 246.0, 254.0, 274.0, 296.0, 321.0, 334.0, 342.0, 372.0, 403.0, 414.0, 443.0, 466.0, 504.0, 542.0, 576.0, 598.0, 660.0, 689.0, 756.0, 759.0, 782.0, 804.0, 828.0, 853.0, 890.0, 928.0, 960.0, 1019.0, 1043.0, 1085.0, 1138.0, 1166.0, 1211.0, 1258.0, 1331.0, 1384.0, 1443.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "ящик", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [2.0, 0.0, 2.0, 2.0, 4.0, 4.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 3.0, 3.0, 4.0, 3.0, 4.0, 3.0, 3.0, 4.0, 4.0, 4.0, 5.0, 6.0, 5.0, 5.0, 5.0, 5.0, 5.0, 6.0, 5.0, 6.0, 6.0, 5.0, 4.0, 5.0, 6.0, 6.0, 5.0, 6.0, 6.0, 5.0, 7.0, 7.0, 9.0, 9.0, 9.0, 9.0, 9.0, 9.0, 9.0, 8.0, 6.0, 6.0, 8.0, 8.0, 6.0, 8.0, 8.0, 6.0, 8.0, 12.0, 12.0, 10.0, 9.0, 11.0, 12.0, 12.0, 15.0, 16.0, 16.0, 14.0, 12.0, 12.0, 14.0, 13.0, 13.0, 13.0, 18.0, 14.0, 18.0, 18.0, 18.0, 18.0, 20.0, 20.0, 15.0, 17.0, 20.0, 22.0, 19.0, 22.0, 24.0, 27.0, 27.0, 28.0, 30.0, 30.0, 31.0, 32.0, 36.0, 39.0, 31.0, 33.0, 33.0, 35.0, 42.0, 42.0, 43.0, 37.0, 45.0, 45.0, 47.0, 47.0, 48.0, 59.0, 61.0, 60.0, 59.0, 63.0, 64.0, 74.0, 67.0, 77.0, 79.0, 81.0, 85.0, 86.0, 91.0, 101.0, 104.0, 117.0, 108.0, 122.0, 124.0, 134.0, 139.0, 150.0, 157.0, 158.0, 176.0, 195.0, 187.0, 207.0, 213.0, 235.0, 242.0, 251.0, 277.0, 282.0, 309.0, 320.0, 349.0, 360.0, 394.0, 407.0, 441.0, 468.0, 518.0, 535.0, 567.0, 618.0, 647.0, 637.0, 640.0, 662.0, 668.0, 691.0, 688.0, 704.0, 701.0, 721.0, 723.0, 710.0, 729.0, 726.0, 754.0, 736.0, 725.0, 708.0, 694.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "ящик", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [2.0, 2.0, 0.0, 2.0, 3.0, 4.0, 4.0, 2.0, 2.0, 1.0, 2.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 4.0, 4.0, 6.0, 4.0, 4.0, 4.0, 2.0, 4.0, 5.0, 4.0, 5.0, 4.0, 5.0, 6.0, 6.0, 5.0, 5.0, 6.0, 6.0, 5.0, 6.0, 6.0, 6.0, 5.0, 8.0, 9.0, 9.0, 9.0, 9.0, 9.0, 9.0, 9.0, 9.0, 6.0, 6.0, 7.0, 8.0, 6.0, 8.0, 7.0, 6.0, 6.0, 9.0, 9.0, 12.0, 12.0, 12.0, 12.0, 9.0, 12.0, 13.0, 16.0, 16.0, 13.0, 15.0, 12.0, 13.0, 14.0, 13.0, 13.0, 14.0, 18.0, 18.0, 18.0, 20.0, 20.0, 20.0, 19.0, 20.0, 20.0, 20.0, 20.0, 22.0, 22.0, 26.0, 28.0, 28.0, 28.0, 30.0, 30.0, 31.0, 32.0, 39.0, 39.0, 33.0, 33.0, 33.0, 41.0, 43.0, 43.0, 44.0, 41.0, 44.0, 47.0, 47.0, 47.0, 54.0, 55.0, 55.0, 53.0, 59.0, 60.0, 67.0, 68.0, 65.0, 70.0, 77.0, 84.0, 75.0, 82.0, 92.0, 96.0, 104.0, 107.0, 110.0, 115.0, 126.0, 123.0, 138.0, 151.0, 152.0, 161.0, 174.0, 192.0, 196.0, 207.0, 212.0, 236.0, 254.0, 265.0, 276.0, 288.0, 320.0, 324.0, 358.0, 376.0, 400.0, 426.0, 446.0, 477.0, 517.0, 556.0, 586.0, 634.0, 635.0, 636.0, 664.0, 657.0, 666.0, 662.0, 699.0, 689.0, 721.0, 732.0, 759.0, 771.0, 789.0, 754.0, 764.0, 748.0, 726.0, 725.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "чемодан", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [2.0, 0.0, 2.0, 2.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 1.0, 2.0, 2.0, 2.0, 4.0, 3.0, 3.0, 2.0, 4.0, 4.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 4.0, 6.0, 6.0, 6.0, 6.0, 7.0, 4.0, 6.0, 4.0, 4.0, 6.0, 6.0, 4.0, 4.0, 4.0, 6.0, 4.0, 4.0, 6.0, 4.0, 8.0, 8.0, 9.0, 9.0, 9.0, 8.0, 9.0, 5.0, 9.0, 9.0, 9.0, 9.0, 9.0, 9.0, 9.0, 10.0, 10.0, 10.0, 11.0, 12.0, 10.0, 11.0, 10.0, 11.0, 11.0, 11.0, 11.0, 14.0, 16.0, 15.0, 16.0, 16.0, 22.0, 23.0, 22.0, 19.0, 21.0, 20.0, 20.0, 20.0, 23.0, 23.0, 25.0, 25.0, 21.0, 26.0, 26.0, 27.0, 27.0, 34.0, 35.0, 35.0, 35.0, 30.0, 39.0, 39.0, 39.0, 44.0, 40.0, 40.0, 48.0, 49.0, 50.0, 51.0, 53.0, 63.0, 63.0, 63.0, 68.0, 68.0, 80.0, 74.0, 82.0, 84.0, 86.0, 90.0, 100.0, 106.0, 106.0, 120.0, 118.0, 128.0, 140.0, 138.0, 151.0, 155.0, 173.0, 175.0, 192.0, 199.0, 221.0, 219.0, 246.0, 259.0, 269.0, 297.0, 300.0, 328.0, 342.0, 373.0, 381.0, 438.0, 428.0, 419.0, 438.0, 426.0, 437.0, 434.0, 447.0, 438.0, 445.0, 414.0, 424.0, 415.0, 368.0, 383.0, 363.0, 344.0, 401.0, 419.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "чемодан", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [2.0, 2.0, 0.0, 2.0, 1.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 3.0, 2.0, 4.0, 2.0, 4.0, 3.0, 3.0, 3.0, 4.0, 3.0, 2.0, 4.0, 4.0, 4.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 6.0, 8.0, 7.0, 7.0, 6.0, 4.0, 4.0, 5.0, 4.0, 6.0, 6.0, 4.0, 4.0, 6.0, 4.0, 4.0, 6.0, 6.0, 9.0, 9.0, 9.0, 6.0, 9.0, 9.0, 9.0, 6.0, 6.0, 9.0, 9.0, 9.0, 10.0, 10.0, 10.0, 10.0, 10.0, 11.0, 9.0, 14.0, 14.0, 11.0, 10.0, 12.0, 12.0, 12.0, 10.0, 15.0, 15.0, 16.0, 16.0, 16.0, 17.0, 21.0, 23.0, 22.0, 22.0, 25.0, 19.0, 18.0, 24.0, 25.0, 23.0, 25.0, 26.0, 21.0, 26.0, 26.0, 27.0, 28.0, 33.0, 35.0, 36.0, 35.0, 31.0, 35.0, 34.0, 40.0, 40.0, 35.0, 40.0, 45.0, 48.0, 44.0, 47.0, 51.0, 54.0, 57.0, 59.0, 58.0, 65.0, 71.0, 67.0, 75.0, 81.0, 79.0, 90.0, 97.0, 112.0, 108.0, 120.0, 123.0, 130.0, 145.0, 146.0, 166.0, 163.0, 185.0, 182.0, 200.0, 207.0, 232.0, 238.0, 252.0, 266.0, 297.0, 306.0, 326.0, 348.0, 372.0, 403.0, 417.0, 421.0, 420.0, 425.0, 426.0, 416.0, 418.0, 400.0, 423.0, 416.0, 422.0, 431.0, 415.0, 393.0, 403.0, 393.0, 364.0, 396.0, 424.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "ведро", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 4.0, 4.0, 4.0, 2.0, 2.0, 4.0, 2.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 2.0, 2.0, 1.0, 2.0, 4.0, 4.0, 4.0, 2.0, 1.0, 3.0, 2.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 5.0, 4.0, 5.0, 4.0, 4.0, 6.0, 6.0, 4.0, 5.0, 4.0, 5.0, 4.0, 4.0, 6.0, 7.0, 9.0, 5.0, 6.0, 9.0, 9.0, 8.0, 9.0, 9.0, 9.0, 9.0, 6.0, 9.0, 9.0, 10.0, 9.0, 10.0, 14.0, 10.0, 10.0, 11.0, 15.0, 15.0, 11.0, 12.0, 12.0, 16.0, 17.0, 16.0, 17.0, 18.0, 19.0, 20.0, 19.0, 22.0, 25.0, 20.0, 26.0, 25.0, 27.0, 29.0, 26.0, 35.0, 30.0, 37.0, 37.0, 35.0, 38.0, 41.0, 42.0, 43.0, 50.0, 48.0, 55.0, 62.0, 60.0, 58.0, 69.0, 71.0, 75.0, 80.0, 83.0, 98.0, 91.0, 100.0, 105.0, 111.0, 127.0, 128.0, 134.0, 140.0, 153.0, 159.0, 182.0, 172.0, 160.0, 164.0, 144.0, 142.0, 122.0, 119.0, 93.0, 93.0, 78.0, 101.0, 105.0, 104.0, 115.0, 122.0, 150.0, 159.0, 164.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "ведро", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 3.0, 2.0, 2.0, 3.0, 3.0, 2.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 4.0, 2.0, 4.0, 3.0, 2.0, 2.0, 1.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 4.0, 4.0, 4.0, 4.0, 1.0, 2.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 5.0, 7.0, 6.0, 7.0, 6.0, 4.0, 4.0, 5.0, 6.0, 9.0, 9.0, 9.0, 6.0, 5.0, 6.0, 7.0, 9.0, 8.0, 9.0, 9.0, 9.0, 10.0, 9.0, 10.0, 9.0, 9.0, 10.0, 10.0, 12.0, 11.0, 10.0, 11.0, 15.0, 14.0, 12.0, 12.0, 12.0, 15.0, 15.0, 15.0, 18.0, 15.0, 14.0, 13.0, 16.0, 16.0, 17.0, 17.0, 19.0, 20.0, 22.0, 18.0, 24.0, 22.0, 24.0, 31.0, 26.0, 32.0, 29.0, 37.0, 40.0, 41.0, 52.0, 53.0, 55.0, 55.0, 60.0, 65.0, 71.0, 77.0, 74.0, 85.0, 88.0, 90.0, 94.0, 104.0, 110.0, 120.0, 118.0, 135.0, 136.0, 150.0, 159.0, 167.0, 171.0, 159.0, 164.0, 156.0, 144.0, 136.0, 120.0, 105.0, 102.0, 75.0, 98.0, 82.0, 103.0, 102.0, 128.0, 134.0, 146.0, 157.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "камень", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 3.0, 3.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 3.0, 3.0, 2.0, 3.0, 2.0, 3.0, 3.0, 4.0, 4.0, 4.0, 3.0, 2.0, 2.0, 3.0, 3.0, 3.0, 4.0, 2.0, 3.0, 4.0, 5.0, 4.0, 5.0, 6.0, 6.0, 4.0, 5.0, 5.0, 6.0, 6.0, 7.0, 6.0, 7.0, 7.0, 7.0, 9.0, 10.0, 9.0, 8.0, 9.0, 11.0, 10.0, 11.0, 10.0, 10.0, 12.0, 12.0, 12.0, 14.0, 15.0, 16.0, 15.0, 16.0, 19.0, 23.0, 20.0, 20.0, 23.0, 26.0, 25.0, 25.0, 28.0, 30.0, 30.0, 31.0, 36.0, 36.0, 41.0, 44.0, 44.0, 48.0, 49.0, 55.0, 62.0, 61.0, 64.0, 54.0, 47.0, 37.0, 27.0, 21.0, 23.0, 28.0, 28.0, 32.0, 35.0, 33.0, 40.0, 44.0, 50.0, 55.0, 60.0, 63.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "камень", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 3.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 2.0, 2.0, 1.0, 2.0, 3.0, 2.0, 3.0, 2.0, 2.0, 3.0, 3.0, 3.0, 4.0, 3.0, 3.0, 2.0, 2.0, 4.0, 4.0, 5.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 4.0, 5.0, 5.0, 4.0, 4.0, 6.0, 6.0, 6.0, 4.0, 6.0, 6.0, 4.0, 5.0, 4.0, 6.0, 6.0, 6.0, 5.0, 7.0, 6.0, 5.0, 8.0, 10.0, 9.0, 10.0, 16.0, 15.0, 17.0, 17.0, 21.0, 20.0, 21.0, 24.0, 24.0, 25.0, 28.0, 29.0, 31.0, 32.0, 35.0, 35.0, 39.0, 39.0, 44.0, 44.0, 46.0, 53.0, 55.0, 58.0, 63.0, 69.0, 62.0, 48.0, 42.0, 29.0, 24.0, 23.0, 27.0, 25.0, 29.0, 27.0, 32.0, 34.0, 39.0, 44.0, 45.0, 49.0, 54.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "бутылка", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 2.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 2.0, 2.0, 1.0, 0.0, 2.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 2.0, 0.0, 2.0, 0.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 3.0, 3.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 3.0, 3.0, 3.0, 2.0, 2.0, 3.0, 3.0, 2.0, 2.0, 3.0, 3.0, 3.0, 3.0, 4.0, 3.0, 3.0, 3.0, 7.0, 3.0, 4.0, 6.0, 5.0, 5.0, 5.0, 5.0, 6.0, 6.0, 8.0, 8.0, 5.0, 9.0, 8.0, 9.0, 9.0, 8.0, 10.0, 10.0, 10.0, 10.0, 13.0, 13.0, 12.0, 15.0, 14.0, 18.0, 18.0, 20.0, 22.0, 21.0, 21.0, 21.0, 24.0, 26.0, 26.0, 26.0, 32.0, 32.0, 37.0, 36.0, 37.0, 40.0, 44.0, 44.0, 38.0, 39.0, 35.0, 30.0, 30.0, 20.0, 16.0, 22.0, 23.0, 24.0, 30.0, 26.0, 28.0, 37.0, 36.0, 38.0, 43.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "бутылка", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 2.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 2.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 2.0, 0.0, 2.0, 0.0, 0.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 1.0, 3.0, 1.0, 1.0, 2.0, 2.0, 1.0, 3.0, 3.0, 3.0, 3.0, 2.0, 2.0, 3.0, 3.0, 3.0, 2.0, 3.0, 4.0, 3.0, 3.0, 3.0, 6.0, 6.0, 7.0, 5.0, 5.0, 4.0, 3.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 2.0, 2.0, 3.0, 7.0, 5.0, 8.0, 6.0, 8.0, 7.0, 11.0, 13.0, 11.0, 14.0, 12.0, 13.0, 14.0, 18.0, 17.0, 15.0, 20.0, 19.0, 18.0, 24.0, 24.0, 25.0, 27.0, 29.0, 34.0, 30.0, 35.0, 38.0, 37.0, 44.0, 45.0, 46.0, 43.0, 35.0, 35.0, 32.0, 31.0, 26.0, 18.0, 17.0, 20.0, 21.0, 23.0, 24.0, 31.0, 31.0, 27.0, 35.0, 36.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "кабель", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 2.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 4.0, 2.0, 3.0, 3.0, 5.0, 5.0, 4.0, 5.0, 4.0, 5.0, 8.0, 4.0, 8.0, 7.0, 7.0, 8.0, 9.0, 8.0, 9.0, 12.0, 12.0, 12.0, 13.0, 17.0, 15.0, 19.0, 22.0, 18.0, 24.0, 27.0, 27.0, 25.0, 23.0, 21.0, 16.0, 17.0, 14.0, 12.0, 17.0, 16.0, 17.0, 23.0, 18.0, 23.0, 26.0, 30.0, 32.0, 39.0, 47.0, 50.0, 62.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "кабель", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 2.0, 6.0, 4.0, 3.0, 5.0, 8.0, 6.0, 8.0, 8.0, 11.0, 12.0, 12.0, 13.0, 13.0, 15.0, 18.0, 17.0, 21.0, 22.0, 23.0, 25.0, 28.0, 28.0, 32.0, 29.0, 25.0, 26.0, 23.0, 25.0, 20.0, 18.0, 18.0, 21.0, 23.0, 25.0, 28.0, 37.0, 39.0, 45.0, 49.0, 57.0, 61.0, 64.0, 82.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "каска", "lateral": 0.0, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 1.0, 1.0, 2.0, 2.0, 3.0, 4.0, 3.0, 2.0, 2.0, 2.0, 3.0, 3.0, 2.0, 3.0, 4.0, 4.0, 3.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 6.0, 5.0, 5.0, 4.0, 6.0, 5.0, 6.0, 9.0, 9.0, 7.0, 6.0, 7.0, 9.0, 9.0, 9.0, 9.0, 9.0, 10.0, 10.0, 12.0, 12.0, 14.0, 11.0, 14.0, 15.0, 13.0, 16.0, 16.0, 15.0, 18.0, 20.0, 19.0, 19.0, 20.0, 23.0, 22.0, 26.0, 27.0, 27.0, 30.0, 33.0, 33.0, 35.0, 38.0, 40.0, 43.0, 41.0, 44.0, 50.0, 52.0, 53.0, 57.0, 61.0, 63.0, 70.0, 74.0, 78.0, 84.0, 91.0, 92.0, 99.0, 91.0, 84.0, 69.0, 57.0, 52.0, 38.0, 41.0, 43.0, 46.0, 51.0, 51.0, 62.0, 65.0, 70.0, 76.0, 81.0, 87.0, 97.0], "travel": 200.74905739412534}, {"bag": "doubleT_platform", "obj": "каска", "lateral": 0.9, "d": [183.49917602539062, 182.01089477539062, 180.5171356201172, 179.02816772460938, 177.55953979492188, 176.0973663330078, 174.61151123046875, 173.12181091308594, 171.6272430419922, 170.10272216796875, 168.59007263183594, 167.07887268066406, 165.5562286376953, 164.0635528564453, 162.5640869140625, 161.0809326171875, 159.62774658203125, 158.18777465820312, 156.71771240234375, 155.27760314941406, 153.81704711914062, 152.34420776367188, 150.86456298828125, 149.40245056152344, 147.9348907470703, 146.4888153076172, 145.0655059814453, 143.6256866455078, 142.2060089111328, 140.8035125732422, 139.39540100097656, 137.9813690185547, 136.54232788085938, 135.1112823486328, 133.66383361816406, 132.24635314941406, 130.85885620117188, 129.46592712402344, 128.10137939453125, 126.72767639160156, 125.36760711669922, 124.00191497802734, 122.61988067626953, 121.2677001953125, 119.9442367553711, 118.6210708618164, 117.30219268798828, 116.01334381103516, 114.71879577636719, 113.45433807373047, 112.1937026977539, 110.94612884521484, 109.688720703125, 108.42350769042969, 107.17313385009766, 105.91629028320312, 104.62943267822266, 103.34689331054688, 102.07418060302734, 100.8301010131836, 99.59638977050781, 98.37590789794922, 97.14431762695312, 95.93893432617188, 94.74642944335938, 93.53558349609375, 92.34532928466797, 91.17449188232422, 89.97366333007812, 88.78414916992188, 87.6246109008789, 86.46385192871094, 85.31442260742188, 84.19498443603516, 83.10049438476562, 81.98814392089844, 80.8458251953125, 79.73351287841797, 78.59748077392578, 77.49141693115234, 76.41533660888672, 75.32543182373047, 74.26551055908203, 73.22103118896484, 72.1722183227539, 71.14449310302734, 70.10877227783203, 69.05465698242188, 68.02629089355469, 67.001708984375, 65.95846557617188, 64.94515228271484, 63.92912292480469, 62.89229202270508, 61.885398864746094, 60.908451080322266, 59.93431091308594, 58.99024200439453, 58.05411911010742, 57.131988525390625, 56.20572280883789, 55.27568435668945, 54.36342239379883, 53.44892501831055, 52.546905517578125, 51.65439987182617, 50.75872802734375, 49.89306640625, 49.03962707519531, 48.170536041259766, 47.3228759765625, 46.497249603271484, 45.66886520385742, 44.81161880493164, 43.95688247680664, 43.10447311401367, 42.25008010864258, 41.417911529541016, 40.61574935913086, 39.78603744506836, 38.96742248535156, 38.15519714355469, 37.33535385131836, 36.52667236328125, 35.7261848449707, 34.938575744628906, 34.16476058959961, 33.4062385559082, 32.6740837097168, 31.94948387145996, 31.201208114624023, 30.47129249572754, 29.73634910583496, 28.993078231811523, 28.279348373413086, 27.571826934814453, 26.873336791992188, 26.202234268188477, 25.527036666870117, 24.86803436279297, 24.239025115966797, 23.636327743530273, 23.024932861328125, 22.4149227142334, 21.8223876953125, 21.22357940673828, 20.65472412109375, 20.11437225341797, 19.58367919921875, 19.054533004760742, 18.537683486938477, 18.01358985900879, 17.489118576049805, 16.994657516479492, 16.49346923828125, 16.02230453491211, 15.569968223571777, 15.08763313293457, 14.627152442932129, 14.196575164794922, 13.767570495605469, 13.326072692871094, 12.88543701171875, 12.474799156188965, 12.094167709350586, 11.735259056091309, 11.346342086791992, 10.987428665161133, 10.65852165222168, 10.299619674682617, 9.910706520080566, 9.540968894958496, 9.199395179748535, 8.827808380126953, 8.486224174499512, 8.171745300292969, 7.827265739440918, 7.511450290679932, 7.2001261711120605, 6.858798027038574, 6.545127868652344, 6.257559776306152], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 1.0, 3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 3.0, 2.0, 2.0, 2.0, 2.0, 3.0, 4.0, 3.0, 2.0, 3.0, 2.0, 2.0, 3.0, 4.0, 4.0, 5.0, 4.0, 3.0, 4.0, 5.0, 5.0, 5.0, 5.0, 4.0, 5.0, 4.0, 5.0, 5.0, 4.0, 5.0, 5.0, 6.0, 6.0, 6.0, 7.0, 7.0, 9.0, 8.0, 9.0, 8.0, 7.0, 9.0, 9.0, 7.0, 10.0, 11.0, 7.0, 5.0, 6.0, 9.0, 7.0, 8.0, 7.0, 8.0, 8.0, 9.0, 10.0, 10.0, 9.0, 8.0, 13.0, 12.0, 15.0, 14.0, 20.0, 25.0, 25.0, 27.0, 32.0, 32.0, 34.0, 32.0, 38.0, 40.0, 41.0, 45.0, 42.0, 53.0, 50.0, 57.0, 65.0, 67.0, 70.0, 72.0, 75.0, 81.0, 88.0, 92.0, 101.0, 94.0, 85.0, 78.0, 66.0, 54.0, 45.0, 39.0, 43.0, 45.0, 47.0, 48.0, 51.0, 48.0, 61.0, 67.0, 73.0, 82.0, 91.0], "travel": 200.74905739412534}, {"bag": "roundT_doubleT", "obj": "человек_стоя", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 3.0, 2.0, 4.0, 5.0, 3.0, 7.0, 5.0, 2.0, 3.0, 7.0, 7.0, 4.0, 2.0, 7.0, 6.0, 5.0, 5.0, 1.0, 4.0, 3.0, 3.0, 4.0, 5.0, 2.0, 4.0, 3.0, 3.0, 6.0, 4.0, 3.0, 5.0, 6.0, 4.0, 2.0, 1.0, 3.0, 4.0, 1.0, 3.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 2.0, 3.0, 2.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 3.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 2.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 2.0, 8.0, 18.0, 29.0, 35.0, 47.0, 59.0, 63.0, 74.0, 83.0, 95.0, 100.0, 121.0, 126.0, 134.0, 146.0, 156.0, 168.0, 188.0, 200.0, 216.0, 240.0, 263.0, 291.0, 324.0, 350.0, 401.0, 440.0, 484.0, 528.0, 576.0, 623.0, 687.0, 759.0, 842.0, 946.0, 1081.0, 1183.0, 1289.0, 1405.0, 1516.0, 1637.0, 1763.0, 1898.0, 2045.0, 2218.0, 2383.0, 2573.0, 2758.0, 2948.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "человек_стоя", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 2.0, 4.0, 1.0, 1.0, 1.0, 2.0, 3.0, 2.0, 3.0, 3.0, 3.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 1.0, 3.0, 2.0, 1.0, 1.0, 1.0, 3.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 2.0, 1.0, 2.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 2.0, 1.0, 1.0, 1.0, 1.0, 4.0, 0.0, 1.0, 0.0, 2.0, 2.0, 1.0, 1.0, 2.0, 2.0, 3.0, 1.0, 2.0, 8.0, 29.0, 53.0, 73.0, 99.0, 122.0, 127.0, 140.0, 153.0, 164.0, 177.0, 205.0, 236.0, 255.0, 298.0, 333.0, 382.0, 445.0, 490.0, 405.0, 343.0, 531.0, 740.0, 818.0, 901.0, 1005.0, 1100.0, 1193.0, 1272.0, 1378.0, 1487.0, 1616.0, 1743.0, 1861.0, 2009.0, 2162.0, 2320.0, 2490.0, 2657.0, 2849.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "человек_сидя", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 3.0, 2.0, 4.0, 5.0, 3.0, 4.0, 5.0, 2.0, 2.0, 6.0, 6.0, 4.0, 3.0, 6.0, 5.0, 5.0, 4.0, 2.0, 3.0, 2.0, 2.0, 3.0, 4.0, 2.0, 4.0, 3.0, 3.0, 5.0, 3.0, 3.0, 5.0, 4.0, 4.0, 2.0, 0.0, 2.0, 3.0, 1.0, 2.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 2.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 2.0, 2.0, 7.0, 13.0, 12.0, 20.0, 26.0, 31.0, 37.0, 42.0, 47.0, 62.0, 72.0, 77.0, 82.0, 91.0, 97.0, 111.0, 115.0, 124.0, 136.0, 146.0, 162.0, 176.0, 195.0, 217.0, 245.0, 267.0, 305.0, 323.0, 364.0, 382.0, 414.0, 472.0, 515.0, 580.0, 674.0, 721.0, 774.0, 816.0, 871.0, 922.0, 957.0, 1009.0, 1055.0, 1118.0, 1162.0, 1219.0, 1256.0, 1317.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "человек_сидя", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 3.0, 3.0, 1.0, 2.0, 1.0, 2.0, 3.0, 2.0, 3.0, 2.0, 3.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 3.0, 2.0, 1.0, 1.0, 1.0, 2.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 6.0, 14.0, 24.0, 34.0, 49.0, 57.0, 54.0, 65.0, 77.0, 83.0, 86.0, 106.0, 124.0, 151.0, 170.0, 202.0, 236.0, 273.0, 334.0, 284.0, 272.0, 307.0, 507.0, 555.0, 612.0, 682.0, 734.0, 775.0, 799.0, 838.0, 882.0, 918.0, 971.0, 1014.0, 1065.0, 1102.0, 1152.0, 1188.0, 1236.0, 1275.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "ящик", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [2.0, 2.0, 1.0, 2.0, 4.0, 2.0, 3.0, 3.0, 3.0, 1.0, 4.0, 4.0, 3.0, 3.0, 4.0, 3.0, 3.0, 4.0, 3.0, 2.0, 3.0, 2.0, 3.0, 4.0, 2.0, 5.0, 2.0, 4.0, 3.0, 2.0, 4.0, 4.0, 4.0, 4.0, 2.0, 0.0, 1.0, 2.0, 0.0, 1.0, 2.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 3.0, 6.0, 6.0, 11.0, 18.0, 19.0, 22.0, 32.0, 34.0, 44.0, 56.0, 63.0, 64.0, 77.0, 78.0, 89.0, 93.0, 99.0, 113.0, 122.0, 130.0, 146.0, 160.0, 183.0, 207.0, 233.0, 254.0, 273.0, 291.0, 321.0, 351.0, 390.0, 446.0, 514.0, 572.0, 608.0, 626.0, 655.0, 669.0, 687.0, 698.0, 714.0, 704.0, 708.0, 683.0, 667.0, 643.0, 697.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "ящик", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 3.0, 3.0, 3.0, 1.0, 2.0, 2.0, 2.0, 3.0, 2.0, 3.0, 1.0, 3.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 3.0, 2.0, 2.0, 3.0, 1.0, 1.0, 2.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 7.0, 9.0, 9.0, 19.0, 29.0, 31.0, 33.0, 39.0, 49.0, 42.0, 58.0, 71.0, 105.0, 112.0, 129.0, 162.0, 199.0, 233.0, 286.0, 246.0, 262.0, 285.0, 441.0, 492.0, 543.0, 607.0, 618.0, 647.0, 657.0, 651.0, 663.0, 662.0, 671.0, 680.0, 666.0, 638.0, 623.0, 606.0, 664.0, 755.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "чемодан", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 2.0, 0.0, 2.0, 2.0, 1.0, 3.0, 2.0, 1.0, 1.0, 4.0, 4.0, 2.0, 1.0, 4.0, 3.0, 3.0, 4.0, 0.0, 2.0, 1.0, 2.0, 3.0, 4.0, 1.0, 2.0, 2.0, 2.0, 3.0, 2.0, 3.0, 4.0, 4.0, 4.0, 2.0, 0.0, 1.0, 2.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 3.0, 5.0, 4.0, 3.0, 7.0, 8.0, 9.0, 15.0, 24.0, 33.0, 39.0, 43.0, 48.0, 52.0, 51.0, 56.0, 67.0, 61.0, 75.0, 78.0, 82.0, 94.0, 104.0, 115.0, 146.0, 163.0, 177.0, 189.0, 205.0, 208.0, 229.0, 235.0, 269.0, 301.0, 357.0, 390.0, 410.0, 426.0, 421.0, 412.0, 408.0, 396.0, 372.0, 351.0, 326.0, 357.0, 400.0, 461.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "чемодан", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 2.0, 3.0, 1.0, 1.0, 1.0, 1.0, 3.0, 2.0, 3.0, 1.0, 3.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 2.0, 5.0, 8.0, 11.0, 19.0, 21.0, 15.0, 16.0, 24.0, 30.0, 28.0, 39.0, 55.0, 62.0, 84.0, 95.0, 124.0, 166.0, 194.0, 171.0, 144.0, 171.0, 283.0, 328.0, 347.0, 386.0, 409.0, 422.0, 407.0, 403.0, 408.0, 397.0, 383.0, 373.0, 360.0, 336.0, 323.0, 384.0, 412.0, 426.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "ведро", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 2.0, 1.0, 2.0, 2.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 2.0, 1.0, 3.0, 3.0, 4.0, 7.0, 12.0, 13.0, 20.0, 16.0, 19.0, 18.0, 21.0, 20.0, 28.0, 24.0, 23.0, 22.0, 29.0, 34.0, 41.0, 47.0, 54.0, 65.0, 73.0, 80.0, 79.0, 76.0, 70.0, 74.0, 79.0, 94.0, 135.0, 142.0, 138.0, 129.0, 113.0, 83.0, 78.0, 81.0, 107.0, 112.0, 120.0, 138.0, 164.0, 187.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "ведро", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 0.0, 2.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 2.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 2.0, 2.0, 3.0, 2.0, 2.0, 2.0, 7.0, 10.0, 16.0, 16.0, 22.0, 25.0, 29.0, 43.0, 68.0, 82.0, 80.0, 40.0, 74.0, 116.0, 127.0, 141.0, 145.0, 158.0, 151.0, 124.0, 112.0, 89.0, 72.0, 90.0, 94.0, 100.0, 110.0, 136.0, 146.0, 153.0, 163.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "камень", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 4.0, 5.0, 6.0, 6.0, 6.0, 7.0, 7.0, 5.0, 6.0, 9.0, 7.0, 6.0, 6.0, 7.0, 10.0, 13.0, 18.0, 17.0, 24.0, 25.0, 25.0, 30.0, 23.0, 20.0, 8.0, 12.0, 25.0, 44.0, 48.0, 37.0, 21.0, 22.0, 24.0, 30.0, 36.0, 40.0, 43.0, 45.0, 48.0, 59.0, 63.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "камень", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 2.0, 2.0, 2.0, 1.0, 2.0, 1.0, 3.0, 6.0, 10.0, 9.0, 12.0, 12.0, 14.0, 16.0, 26.0, 27.0, 29.0, 12.0, 33.0, 40.0, 41.0, 50.0, 58.0, 61.0, 45.0, 27.0, 22.0, 28.0, 28.0, 25.0, 28.0, 37.0, 41.0, 44.0, 48.0, 53.0, 61.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "бутылка", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 4.0, 3.0, 5.0, 3.0, 4.0, 5.0, 6.0, 5.0, 6.0, 8.0, 5.0, 5.0, 5.0, 8.0, 8.0, 11.0, 11.0, 11.0, 17.0, 19.0, 16.0, 20.0, 21.0, 17.0, 9.0, 12.0, 24.0, 32.0, 35.0, 38.0, 27.0, 20.0, 17.0, 22.0, 24.0, 26.0, 28.0, 32.0, 38.0, 40.0, 43.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "бутылка", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 2.0, 4.0, 5.0, 5.0, 5.0, 7.0, 8.0, 13.0, 17.0, 21.0, 21.0, 6.0, 25.0, 28.0, 33.0, 35.0, 40.0, 40.0, 37.0, 30.0, 24.0, 16.0, 22.0, 19.0, 19.0, 25.0, 28.0, 28.0, 34.0, 35.0, 48.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "кабель", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 2.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 4.0, 4.0, 6.0, 6.0, 5.0, 7.0, 5.0, 0.0, 0.0, 0.0, 2.0, 4.0, 8.0, 11.0, 11.0, 13.0, 16.0, 15.0, 26.0, 27.0, 27.0, 37.0, 43.0, 50.0, 54.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "кабель", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 4.0, 4.0, 6.0, 6.0, 8.0, 8.0, 8.0, 12.0, 14.0, 16.0, 9.0, 21.0, 25.0, 29.0, 31.0, 28.0, 27.0, 20.0, 17.0, 20.0, 20.0, 26.0, 27.0, 31.0, 38.0, 45.0, 49.0, 56.0, 71.0, 77.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "каска", "lateral": 0.0, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 3.0, 2.0, 1.0, 5.0, 6.0, 7.0, 8.0, 8.0, 8.0, 11.0, 8.0, 10.0, 13.0, 10.0, 8.0, 8.0, 12.0, 14.0, 20.0, 24.0, 27.0, 34.0, 35.0, 36.0, 41.0, 33.0, 28.0, 20.0, 23.0, 39.0, 63.0, 79.0, 58.0, 38.0, 37.0, 44.0, 48.0, 53.0, 56.0, 62.0, 76.0, 86.0, 95.0, 105.0], "travel": 200.9598713551979}, {"bag": "roundT_doubleT", "obj": "каска", "lateral": 0.9, "d": [183.14071655273438, 181.59873962402344, 180.04354858398438, 178.47579956054688, 176.90150451660156, 175.33767700195312, 173.7858428955078, 172.26402282714844, 170.73866271972656, 169.20848083496094, 167.67848205566406, 166.14459228515625, 164.60671997070312, 163.08364868164062, 161.5305633544922, 159.98779296875, 158.44932556152344, 156.8860626220703, 155.3150177001953, 153.74598693847656, 152.18003845214844, 150.61387634277344, 149.06625366210938, 147.48855590820312, 145.91775512695312, 144.35116577148438, 142.7764892578125, 141.19422912597656, 139.60284423828125, 138.01353454589844, 136.42237854003906, 134.81150817871094, 133.21002197265625, 131.6086883544922, 130.0078125, 128.40582275390625, 126.81124877929688, 125.18673706054688, 123.53221130371094, 121.90766906738281, 120.28717803955078, 118.65554809570312, 117.03865051269531, 115.40388488769531, 113.77399444580078, 112.14485168457031, 110.5174789428711, 108.86894989013672, 107.23870849609375, 105.5863037109375, 103.94044494628906, 102.29949188232422, 100.65316772460938, 99.02072143554688, 97.38383483886719, 95.74352264404297, 94.09989166259766, 92.44164276123047, 90.76628112792969, 89.10162353515625, 87.45265197753906, 85.80912780761719, 84.13833618164062, 82.46349334716797, 80.79867553710938, 79.13082885742188, 77.46160125732422, 75.81117248535156, 74.14227294921875, 72.48180389404297, 70.81517791748047, 69.15678405761719, 67.50569915771484, 65.87158203125, 64.22187805175781, 62.568641662597656, 60.93061828613281, 59.29910659790039, 57.6627311706543, 56.02653884887695, 54.39775085449219, 52.75060272216797, 51.09506607055664, 49.44418716430664, 47.82329177856445, 46.23239517211914, 44.671512603759766, 43.14067459106445, 41.63982009887695, 40.16899490356445, 38.72813415527344, 37.31730270385742, 35.936519622802734, 34.58577346801758, 33.26506042480469, 31.974321365356445, 30.713489532470703, 29.48259162902832, 28.28163719177246, 27.11060333251953, 25.96950912475586, 24.858402252197266, 23.777359008789062, 22.726333618164062, 21.705354690551758, 20.714401245117188, 19.753467559814453, 18.822547912597656, 17.921628952026367, 17.050703048706055, 16.209779739379883, 15.39887523651123, 14.61799430847168, 13.867111206054688, 13.146235466003418, 12.455378532409668, 11.794525146484375, 11.163656234741211, 10.562772750854492, 9.991888046264648, 9.451018333435059, 8.94015884399414, 8.45930004119873, 8.008426666259766, 7.58756160736084, 7.196690082550049, 6.835805892944336, 6.504910945892334, 6.203998565673828], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 2.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 6.0, 9.0, 15.0, 17.0, 20.0, 21.0, 22.0, 28.0, 39.0, 43.0, 50.0, 21.0, 49.0, 67.0, 72.0, 80.0, 84.0, 86.0, 66.0, 46.0, 32.0, 40.0, 44.0, 42.0, 54.0, 60.0, 63.0, 68.0, 79.0, 89.0, 98.0], "travel": 200.9598713551979}, {"bag": "roundT_pressureGate_roundT", "obj": "человек_стоя", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [3.0, 3.0, 2.0, 3.0, 1.0, 3.0, 2.0, 4.0, 3.0, 2.0, 5.0, 6.0, 7.0, 6.0, 5.0, 7.0, 7.0, 6.0, 7.0, 8.0, 10.0, 10.0, 9.0, 9.0, 10.0, 10.0, 10.0, 7.0, 7.0, 9.0, 10.0, 10.0, 11.0, 10.0, 11.0, 10.0, 8.0, 11.0, 11.0, 13.0, 11.0, 12.0, 13.0, 12.0, 13.0, 14.0, 13.0, 14.0, 15.0, 15.0, 17.0, 16.0, 15.0, 21.0, 20.0, 21.0, 17.0, 18.0, 18.0, 21.0, 21.0, 23.0, 22.0, 22.0, 25.0, 25.0, 25.0, 24.0, 27.0, 26.0, 26.0, 30.0, 34.0, 36.0, 32.0, 34.0, 34.0, 35.0, 42.0, 44.0, 49.0, 53.0, 50.0, 54.0, 60.0, 61.0, 57.0, 59.0, 65.0, 70.0, 74.0, 78.0, 88.0, 94.0, 98.0, 100.0, 111.0, 117.0, 123.0, 128.0, 131.0, 140.0, 155.0, 167.0, 176.0, 185.0, 199.0, 210.0, 231.0, 245.0, 266.0, 280.0, 310.0, 326.0, 337.0, 368.0, 389.0, 413.0, 441.0, 467.0, 501.0, 529.0, 553.0, 588.0, 619.0, 643.0, 677.0, 699.0, 730.0, 759.0, 782.0, 801.0, 831.0, 840.0, 864.0, 879.0, 880.0, 883.0, 884.0, 894.0, 886.0, 890.0, 896.0, 891.0, 896.0, 894.0, 898.0, 896.0, 891.0, 893.0, 891.0, 894.0, 890.0, 891.0, 893.0, 896.0, 899.0, 896.0, 905.0, 911.0, 921.0, 929.0, 949.0, 986.0, 1010.0, 1031.0, 1053.0, 1079.0, 1130.0, 1186.0, 1234.0, 1306.0, 1384.0, 1489.0, 1597.0, 1748.0, 1896.0, 2115.0, 2382.0, 2735.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "человек_стоя", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 4.0, 4.0, 4.0, 2.0, 4.0, 3.0, 5.0, 4.0, 3.0, 2.0, 0.0, 4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 2.0, 3.0, 2.0, 3.0, 4.0, 2.0, 4.0, 5.0, 2.0, 0.0, 1.0, 1.0, 2.0, 4.0, 4.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 4.0, 4.0, 3.0, 5.0, 6.0, 2.0, 1.0, 6.0, 4.0, 5.0, 8.0, 9.0, 12.0, 13.0, 12.0, 12.0, 14.0, 15.0, 16.0, 17.0, 19.0, 19.0, 19.0, 20.0, 21.0, 20.0, 25.0, 28.0, 24.0, 32.0, 33.0, 33.0, 35.0, 36.0, 35.0, 36.0, 36.0, 36.0, 37.0, 40.0, 45.0, 49.0, 51.0, 52.0, 59.0, 64.0, 68.0, 71.0, 74.0, 78.0, 81.0, 89.0, 98.0, 102.0, 112.0, 114.0, 117.0, 127.0, 137.0, 150.0, 159.0, 174.0, 187.0, 216.0, 246.0, 241.0, 281.0, 314.0, 304.0, 349.0, 385.0, 375.0, 433.0, 466.0, 460.0, 523.0, 527.0, 587.0, 618.0, 632.0, 673.0, 701.0, 736.0, 742.0, 783.0, 794.0, 832.0, 851.0, 865.0, 875.0, 882.0, 885.0, 885.0, 890.0, 891.0, 886.0, 886.0, 888.0, 891.0, 886.0, 891.0, 885.0, 891.0, 887.0, 888.0, 886.0, 891.0, 886.0, 875.0, 875.0, 869.0, 862.0, 859.0, 867.0, 870.0, 889.0, 911.0, 921.0, 959.0, 995.0, 1030.0, 1056.0, 1101.0, 1148.0, 1227.0, 1289.0, 1361.0, 1472.0, 1579.0, 1724.0, 1874.0, 2076.0, 2345.0, 2677.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "человек_сидя", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [2.0, 2.0, 1.0, 2.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 3.0, 5.0, 6.0, 5.0, 4.0, 6.0, 5.0, 6.0, 6.0, 6.0, 5.0, 6.0, 6.0, 6.0, 5.0, 4.0, 4.0, 4.0, 4.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 8.0, 11.0, 7.0, 8.0, 8.0, 8.0, 8.0, 10.0, 8.0, 7.0, 7.0, 7.0, 7.0, 9.0, 9.0, 11.0, 11.0, 12.0, 11.0, 13.0, 13.0, 13.0, 12.0, 13.0, 14.0, 15.0, 16.0, 17.0, 15.0, 17.0, 19.0, 20.0, 17.0, 21.0, 23.0, 24.0, 25.0, 26.0, 26.0, 27.0, 31.0, 30.0, 30.0, 31.0, 31.0, 34.0, 37.0, 35.0, 38.0, 40.0, 45.0, 46.0, 49.0, 50.0, 54.0, 57.0, 58.0, 61.0, 66.0, 72.0, 75.0, 78.0, 80.0, 90.0, 95.0, 102.0, 109.0, 112.0, 121.0, 128.0, 138.0, 153.0, 162.0, 170.0, 184.0, 206.0, 208.0, 228.0, 240.0, 255.0, 276.0, 296.0, 318.0, 339.0, 358.0, 377.0, 391.0, 412.0, 431.0, 452.0, 475.0, 494.0, 503.0, 514.0, 532.0, 544.0, 549.0, 565.0, 554.0, 564.0, 573.0, 574.0, 567.0, 569.0, 576.0, 571.0, 577.0, 571.0, 569.0, 576.0, 573.0, 574.0, 568.0, 576.0, 573.0, 574.0, 570.0, 576.0, 581.0, 576.0, 582.0, 586.0, 587.0, 590.0, 609.0, 648.0, 640.0, 654.0, 666.0, 678.0, 701.0, 720.0, 743.0, 773.0, 812.0, 820.0, 867.0, 921.0, 948.0, 1060.0, 1113.0, 1190.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "человек_сидя", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 3.0, 3.0, 3.0, 2.0, 5.0, 3.0, 2.0, 1.0, 0.0, 4.0, 3.0, 3.0, 3.0, 3.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 2.0, 2.0, 1.0, 0.0, 0.0, 0.0, 3.0, 2.0, 4.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 3.0, 2.0, 3.0, 4.0, 2.0, 1.0, 3.0, 3.0, 3.0, 5.0, 5.0, 5.0, 6.0, 5.0, 6.0, 6.0, 7.0, 8.0, 8.0, 8.0, 8.0, 8.0, 9.0, 10.0, 10.0, 13.0, 15.0, 11.0, 15.0, 15.0, 14.0, 17.0, 16.0, 16.0, 17.0, 17.0, 20.0, 21.0, 22.0, 22.0, 27.0, 25.0, 27.0, 31.0, 32.0, 31.0, 34.0, 34.0, 34.0, 37.0, 39.0, 44.0, 48.0, 56.0, 55.0, 59.0, 61.0, 69.0, 77.0, 81.0, 83.0, 93.0, 117.0, 139.0, 125.0, 150.0, 180.0, 162.0, 202.0, 234.0, 209.0, 266.0, 288.0, 265.0, 327.0, 334.0, 363.0, 387.0, 387.0, 434.0, 442.0, 474.0, 462.0, 506.0, 499.0, 542.0, 551.0, 565.0, 572.0, 580.0, 583.0, 571.0, 583.0, 579.0, 589.0, 587.0, 586.0, 587.0, 584.0, 588.0, 589.0, 585.0, 587.0, 590.0, 587.0, 585.0, 581.0, 577.0, 570.0, 566.0, 561.0, 561.0, 572.0, 572.0, 569.0, 582.0, 611.0, 608.0, 636.0, 661.0, 660.0, 699.0, 737.0, 755.0, 786.0, 824.0, 847.0, 896.0, 934.0, 1000.0, 1056.0, 1153.0, 1251.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "ящик", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 2.0, 4.0, 4.0, 4.0, 5.0, 4.0, 5.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 4.0, 4.0, 4.0, 4.0, 4.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 3.0, 6.0, 6.0, 9.0, 5.0, 6.0, 6.0, 6.0, 9.0, 10.0, 9.0, 10.0, 11.0, 11.0, 11.0, 9.0, 6.0, 11.0, 8.0, 9.0, 10.0, 12.0, 12.0, 12.0, 10.0, 14.0, 13.0, 14.0, 12.0, 10.0, 11.0, 13.0, 12.0, 12.0, 12.0, 17.0, 18.0, 19.0, 19.0, 20.0, 21.0, 21.0, 26.0, 27.0, 26.0, 23.0, 25.0, 28.0, 33.0, 30.0, 32.0, 36.0, 38.0, 38.0, 39.0, 43.0, 45.0, 50.0, 47.0, 50.0, 54.0, 61.0, 61.0, 65.0, 69.0, 74.0, 81.0, 85.0, 89.0, 89.0, 102.0, 109.0, 115.0, 123.0, 131.0, 138.0, 154.0, 166.0, 166.0, 183.0, 204.0, 215.0, 230.0, 248.0, 270.0, 290.0, 303.0, 325.0, 340.0, 355.0, 377.0, 395.0, 412.0, 427.0, 438.0, 452.0, 467.0, 477.0, 489.0, 502.0, 492.0, 500.0, 508.0, 508.0, 508.0, 508.0, 506.0, 509.0, 510.0, 509.0, 508.0, 507.0, 511.0, 506.0, 508.0, 507.0, 511.0, 510.0, 508.0, 507.0, 512.0, 515.0, 518.0, 513.0, 510.0, 525.0, 539.0, 577.0, 560.0, 570.0, 584.0, 564.0, 579.0, 590.0, 619.0, 611.0, 641.0, 600.0, 632.0, 632.0, 632.0, 641.0, 594.0, 668.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "ящик", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 3.0, 4.0, 2.0, 1.0, 2.0, 0.0, 3.0, 3.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 1.0, 2.0, 0.0, 2.0, 1.0, 2.0, 1.0, 1.0, 0.0, 2.0, 2.0, 4.0, 1.0, 1.0, 2.0, 1.0, 0.0, 0.0, 3.0, 3.0, 2.0, 4.0, 4.0, 2.0, 0.0, 3.0, 2.0, 3.0, 3.0, 3.0, 3.0, 4.0, 3.0, 3.0, 6.0, 6.0, 5.0, 2.0, 2.0, 4.0, 2.0, 3.0, 4.0, 4.0, 5.0, 7.0, 4.0, 7.0, 8.0, 6.0, 9.0, 10.0, 7.0, 9.0, 10.0, 12.0, 11.0, 11.0, 12.0, 11.0, 10.0, 11.0, 16.0, 16.0, 18.0, 21.0, 19.0, 16.0, 19.0, 24.0, 25.0, 30.0, 40.0, 45.0, 38.0, 36.0, 45.0, 52.0, 61.0, 56.0, 59.0, 83.0, 105.0, 95.0, 118.0, 139.0, 120.0, 152.0, 189.0, 158.0, 208.0, 236.0, 200.0, 267.0, 285.0, 296.0, 329.0, 309.0, 369.0, 358.0, 400.0, 372.0, 427.0, 419.0, 464.0, 460.0, 480.0, 480.0, 496.0, 497.0, 484.0, 500.0, 489.0, 504.0, 500.0, 499.0, 504.0, 499.0, 505.0, 506.0, 502.0, 508.0, 508.0, 508.0, 504.0, 506.0, 504.0, 497.0, 497.0, 490.0, 496.0, 487.0, 501.0, 497.0, 496.0, 542.0, 527.0, 553.0, 546.0, 566.0, 578.0, 581.0, 626.0, 623.0, 641.0, 617.0, 645.0, 641.0, 646.0, 656.0, 611.0, 640.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "чемодан", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 2.0, 4.0, 4.0, 2.0, 3.0, 4.0, 3.0, 3.0, 3.0, 4.0, 4.0, 4.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 2.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 6.0, 6.0, 6.0, 4.0, 4.0, 4.0, 4.0, 4.0, 6.0, 7.0, 8.0, 9.0, 8.0, 8.0, 8.0, 6.0, 5.0, 7.0, 7.0, 7.0, 8.0, 9.0, 9.0, 8.0, 9.0, 10.0, 10.0, 11.0, 14.0, 15.0, 15.0, 15.0, 15.0, 12.0, 15.0, 17.0, 17.0, 18.0, 17.0, 21.0, 24.0, 23.0, 23.0, 20.0, 22.0, 23.0, 26.0, 29.0, 30.0, 31.0, 33.0, 36.0, 35.0, 36.0, 41.0, 42.0, 43.0, 49.0, 48.0, 54.0, 57.0, 60.0, 66.0, 70.0, 72.0, 86.0, 89.0, 92.0, 104.0, 112.0, 112.0, 124.0, 133.0, 145.0, 159.0, 166.0, 178.0, 195.0, 202.0, 209.0, 220.0, 235.0, 248.0, 252.0, 265.0, 277.0, 281.0, 293.0, 308.0, 308.0, 315.0, 328.0, 325.0, 329.0, 333.0, 335.0, 327.0, 329.0, 335.0, 336.0, 332.0, 332.0, 333.0, 336.0, 338.0, 334.0, 332.0, 336.0, 337.0, 334.0, 333.0, 336.0, 339.0, 340.0, 339.0, 353.0, 354.0, 341.0, 342.0, 365.0, 371.0, 380.0, 368.0, 378.0, 386.0, 381.0, 390.0, 380.0, 371.0, 391.0, 385.0, 378.0, 343.0, 334.0, 330.0, 405.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "чемодан", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 3.0, 2.0, 1.0, 0.0, 0.0, 3.0, 3.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 2.0, 1.0, 1.0, 0.0, 0.0, 0.0, 2.0, 2.0, 2.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 2.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 3.0, 3.0, 3.0, 2.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 3.0, 2.0, 3.0, 6.0, 3.0, 7.0, 7.0, 6.0, 8.0, 7.0, 5.0, 4.0, 4.0, 5.0, 4.0, 5.0, 5.0, 8.0, 7.0, 9.0, 10.0, 11.0, 8.0, 9.0, 9.0, 7.0, 6.0, 9.0, 13.0, 15.0, 21.0, 11.0, 17.0, 19.0, 19.0, 27.0, 25.0, 28.0, 34.0, 54.0, 68.0, 54.0, 74.0, 95.0, 77.0, 105.0, 124.0, 101.0, 141.0, 157.0, 135.0, 179.0, 158.0, 207.0, 214.0, 215.0, 245.0, 249.0, 271.0, 260.0, 290.0, 275.0, 306.0, 319.0, 326.0, 332.0, 338.0, 334.0, 334.0, 340.0, 340.0, 342.0, 337.0, 343.0, 341.0, 341.0, 337.0, 338.0, 338.0, 335.0, 338.0, 335.0, 337.0, 334.0, 335.0, 320.0, 320.0, 319.0, 305.0, 310.0, 302.0, 324.0, 313.0, 325.0, 330.0, 351.0, 345.0, 367.0, 368.0, 371.0, 368.0, 374.0, 375.0, 388.0, 377.0, 366.0, 360.0, 326.0, 319.0, 381.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "ведро", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0, 4.0, 4.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 3.0, 3.0, 3.0, 3.0, 4.0, 4.0, 4.0, 3.0, 3.0, 3.0, 4.0, 4.0, 4.0, 3.0, 3.0, 4.0, 4.0, 5.0, 5.0, 5.0, 5.0, 5.0, 4.0, 4.0, 5.0, 8.0, 9.0, 7.0, 6.0, 6.0, 8.0, 9.0, 10.0, 11.0, 11.0, 9.0, 9.0, 9.0, 12.0, 12.0, 12.0, 13.0, 11.0, 10.0, 14.0, 13.0, 16.0, 14.0, 14.0, 19.0, 20.0, 23.0, 21.0, 25.0, 27.0, 31.0, 32.0, 34.0, 36.0, 40.0, 45.0, 42.0, 47.0, 52.0, 56.0, 61.0, 67.0, 72.0, 78.0, 79.0, 84.0, 90.0, 94.0, 101.0, 95.0, 106.0, 112.0, 113.0, 116.0, 123.0, 121.0, 125.0, 133.0, 129.0, 130.0, 133.0, 131.0, 130.0, 135.0, 137.0, 136.0, 134.0, 138.0, 135.0, 137.0, 139.0, 133.0, 136.0, 136.0, 139.0, 134.0, 138.0, 135.0, 143.0, 137.0, 137.0, 143.0, 140.0, 136.0, 140.0, 156.0, 156.0, 152.0, 148.0, 139.0, 145.0, 133.0, 120.0, 111.0, 99.0, 86.0, 72.0, 95.0, 103.0, 112.0, 137.0, 160.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "ведро", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 2.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 2.0, 2.0, 1.0, 2.0, 3.0, 5.0, 8.0, 5.0, 7.0, 7.0, 7.0, 12.0, 13.0, 12.0, 16.0, 28.0, 38.0, 26.0, 40.0, 44.0, 39.0, 53.0, 62.0, 50.0, 68.0, 70.0, 65.0, 83.0, 75.0, 90.0, 98.0, 97.0, 106.0, 107.0, 114.0, 115.0, 124.0, 121.0, 130.0, 132.0, 134.0, 138.0, 135.0, 135.0, 136.0, 138.0, 139.0, 135.0, 136.0, 134.0, 139.0, 136.0, 133.0, 136.0, 136.0, 141.0, 138.0, 136.0, 140.0, 140.0, 136.0, 132.0, 135.0, 127.0, 130.0, 124.0, 114.0, 117.0, 117.0, 116.0, 117.0, 117.0, 123.0, 117.0, 120.0, 117.0, 115.0, 101.0, 91.0, 76.0, 59.0, 78.0, 84.0, 93.0, 123.0, 127.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "камень", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 3.0, 2.0, 3.0, 3.0, 4.0, 4.0, 2.0, 3.0, 3.0, 4.0, 3.0, 3.0, 5.0, 5.0, 2.0, 1.0, 3.0, 4.0, 4.0, 4.0, 3.0, 4.0, 7.0, 8.0, 5.0, 9.0, 8.0, 10.0, 12.0, 12.0, 11.0, 14.0, 15.0, 13.0, 16.0, 18.0, 20.0, 22.0, 25.0, 28.0, 27.0, 28.0, 31.0, 33.0, 35.0, 39.0, 36.0, 38.0, 41.0, 39.0, 43.0, 47.0, 45.0, 47.0, 48.0, 52.0, 51.0, 50.0, 50.0, 52.0, 50.0, 51.0, 50.0, 50.0, 50.0, 51.0, 51.0, 50.0, 51.0, 51.0, 51.0, 50.0, 52.0, 50.0, 52.0, 50.0, 49.0, 51.0, 53.0, 52.0, 52.0, 53.0, 50.0, 56.0, 57.0, 55.0, 49.0, 41.0, 34.0, 26.0, 19.0, 21.0, 25.0, 29.0, 30.0, 36.0, 40.0, 48.0, 58.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "камень", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 2.0, 0.0, 1.0, 1.0, 2.0, 4.0, 1.0, 2.0, 1.0, 2.0, 5.0, 7.0, 4.0, 7.0, 14.0, 15.0, 9.0, 19.0, 17.0, 14.0, 22.0, 24.0, 19.0, 23.0, 29.0, 24.0, 30.0, 28.0, 33.0, 35.0, 38.0, 40.0, 40.0, 39.0, 43.0, 43.0, 45.0, 44.0, 48.0, 50.0, 49.0, 50.0, 49.0, 49.0, 50.0, 49.0, 50.0, 49.0, 51.0, 48.0, 49.0, 50.0, 51.0, 51.0, 51.0, 48.0, 48.0, 50.0, 49.0, 51.0, 51.0, 50.0, 47.0, 48.0, 49.0, 44.0, 47.0, 44.0, 41.0, 39.0, 39.0, 35.0, 32.0, 26.0, 22.0, 18.0, 12.0, 14.0, 16.0, 20.0, 18.0, 21.0, 29.0, 35.0, 36.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "бутылка", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 2.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 2.0, 1.0, 0.0, 1.0, 0.0, 1.0, 2.0, 2.0, 2.0, 1.0, 2.0, 3.0, 3.0, 2.0, 2.0, 3.0, 2.0, 3.0, 2.0, 2.0, 4.0, 2.0, 2.0, 3.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 6.0, 7.0, 4.0, 5.0, 6.0, 6.0, 8.0, 8.0, 9.0, 11.0, 11.0, 9.0, 11.0, 13.0, 13.0, 13.0, 16.0, 19.0, 17.0, 21.0, 21.0, 23.0, 25.0, 24.0, 27.0, 29.0, 28.0, 27.0, 28.0, 30.0, 32.0, 35.0, 34.0, 33.0, 33.0, 31.0, 36.0, 35.0, 33.0, 35.0, 34.0, 36.0, 34.0, 35.0, 36.0, 34.0, 36.0, 33.0, 35.0, 31.0, 36.0, 33.0, 36.0, 31.0, 36.0, 40.0, 35.0, 37.0, 40.0, 37.0, 39.0, 42.0, 39.0, 36.0, 33.0, 39.0, 32.0, 27.0, 27.0, 20.0, 16.0, 21.0, 23.0, 25.0, 26.0, 36.0, 38.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "бутылка", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 2.0, 0.0, 0.0, 0.0, 1.0, 2.0, 1.0, 0.0, 0.0, 0.0, 4.0, 3.0, 2.0, 6.0, 9.0, 11.0, 9.0, 12.0, 14.0, 11.0, 17.0, 17.0, 14.0, 18.0, 18.0, 15.0, 18.0, 20.0, 23.0, 24.0, 24.0, 27.0, 28.0, 28.0, 31.0, 31.0, 28.0, 33.0, 33.0, 35.0, 32.0, 34.0, 35.0, 36.0, 35.0, 31.0, 34.0, 34.0, 33.0, 31.0, 34.0, 35.0, 34.0, 38.0, 35.0, 37.0, 37.0, 38.0, 34.0, 36.0, 38.0, 33.0, 38.0, 30.0, 36.0, 34.0, 37.0, 33.0, 32.0, 29.0, 32.0, 30.0, 28.0, 29.0, 27.0, 23.0, 25.0, 16.0, 12.0, 15.0, 16.0, 18.0, 20.0, 26.0, 34.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "кабель", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 2.0, 3.0, 0.0, 3.0, 4.0, 3.0, 6.0, 8.0, 10.0, 11.0, 12.0, 12.0, 13.0, 13.0, 14.0, 14.0, 17.0, 19.0, 17.0, 19.0, 23.0, 21.0, 19.0, 22.0, 22.0, 22.0, 22.0, 22.0, 22.0, 23.0, 22.0, 21.0, 22.0, 21.0, 23.0, 22.0, 21.0, 22.0, 21.0, 21.0, 21.0, 21.0, 22.0, 22.0, 22.0, 21.0, 22.0, 21.0, 20.0, 17.0, 17.0, 15.0, 15.0, 17.0, 17.0, 16.0, 14.0, 11.0, 12.0, 10.0, 13.0, 16.0, 16.0, 22.0, 21.0, 29.0, 35.0, 46.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "кабель", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 3.0, 0.0, 3.0, 1.0, 4.0, 4.0, 3.0, 6.0, 6.0, 6.0, 8.0, 8.0, 11.0, 12.0, 11.0, 15.0, 13.0, 16.0, 19.0, 18.0, 18.0, 23.0, 24.0, 21.0, 28.0, 27.0, 26.0, 26.0, 30.0, 29.0, 29.0, 27.0, 28.0, 29.0, 29.0, 29.0, 28.0, 30.0, 33.0, 30.0, 30.0, 29.0, 31.0, 28.0, 29.0, 29.0, 32.0, 29.0, 30.0, 31.0, 29.0, 29.0, 28.0, 26.0, 23.0, 18.0, 13.0, 8.0, 9.0, 7.0, 4.0, 6.0, 7.0, 7.0, 7.0, 8.0, 10.0, 13.0, 14.0, 16.0, 23.0, 24.0, 37.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "каска", "lateral": 0.0, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 2.0, 2.0, 0.0, 0.0, 0.0, 1.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 3.0, 3.0, 3.0, 3.0, 1.0, 1.0, 2.0, 2.0, 3.0, 3.0, 3.0, 3.0, 2.0, 2.0, 2.0, 3.0, 4.0, 5.0, 5.0, 6.0, 5.0, 4.0, 6.0, 6.0, 5.0, 5.0, 4.0, 4.0, 5.0, 4.0, 5.0, 7.0, 6.0, 4.0, 3.0, 3.0, 5.0, 6.0, 5.0, 5.0, 6.0, 9.0, 9.0, 10.0, 10.0, 15.0, 13.0, 15.0, 16.0, 16.0, 20.0, 23.0, 19.0, 21.0, 24.0, 30.0, 32.0, 34.0, 38.0, 41.0, 40.0, 43.0, 48.0, 51.0, 52.0, 51.0, 57.0, 62.0, 57.0, 63.0, 65.0, 67.0, 65.0, 74.0, 69.0, 67.0, 70.0, 72.0, 73.0, 73.0, 76.0, 73.0, 83.0, 79.0, 76.0, 78.0, 78.0, 80.0, 80.0, 77.0, 78.0, 79.0, 80.0, 78.0, 79.0, 80.0, 80.0, 79.0, 81.0, 86.0, 79.0, 89.0, 86.0, 84.0, 76.0, 69.0, 66.0, 55.0, 47.0, 36.0, 37.0, 37.0, 44.0, 46.0, 55.0, 61.0, 76.0, 88.0], "travel": 246.7637153487153}, {"bag": "roundT_pressureGate_roundT", "obj": "каска", "lateral": 0.9, "d": [182.81744384765625, 181.25244140625, 179.68576049804688, 178.12606811523438, 176.5756378173828, 175.01620483398438, 173.46957397460938, 171.91285705566406, 170.3737030029297, 168.81361389160156, 167.24757385253906, 165.6978302001953, 164.1456756591797, 162.578857421875, 161.0358428955078, 159.48260498046875, 157.92208862304688, 156.3625030517578, 154.7987518310547, 153.24989318847656, 151.6890106201172, 150.15663146972656, 148.60440063476562, 147.05923461914062, 145.52694702148438, 143.98194885253906, 142.45338439941406, 140.91061401367188, 139.38841247558594, 137.8539581298828, 136.324951171875, 134.77610778808594, 133.2323455810547, 131.67784118652344, 130.13514709472656, 128.60284423828125, 127.08023071289062, 125.56297302246094, 124.04688262939453, 122.5086669921875, 120.98300170898438, 119.47713470458984, 117.97000122070312, 116.46601867675781, 114.9554672241211, 113.45855712890625, 111.95147705078125, 110.44984436035156, 108.9699935913086, 107.46018981933594, 105.95472717285156, 104.45779418945312, 102.94619750976562, 101.43670654296875, 99.95718383789062, 98.48017883300781, 96.97311401367188, 95.49600982666016, 94.0191650390625, 92.53914642333984, 91.08914184570312, 89.61680603027344, 88.1473617553711, 86.65349578857422, 85.18029022216797, 83.70244598388672, 82.25460815429688, 80.8221206665039, 79.36253356933594, 77.8951644897461, 76.41360473632812, 74.92572021484375, 73.44737243652344, 71.96427917480469, 70.4910659790039, 69.00666809082031, 67.520263671875, 66.0373764038086, 64.55683135986328, 63.06974411010742, 61.60239028930664, 60.12712097167969, 58.66056442260742, 57.2239875793457, 55.817447662353516, 54.40616989135742, 52.997955322265625, 51.569366455078125, 50.17079162597656, 48.77306365966797, 47.345272064208984, 45.94743347167969, 44.5795783996582, 43.241729736328125, 41.933921813964844, 40.65610885620117, 39.40836715698242, 38.19071578979492, 37.00309371948242, 35.845481872558594, 34.71784973144531, 33.620216369628906, 32.55263137817383, 31.515056610107422, 30.50745964050293, 29.52985382080078, 28.5822696685791, 27.664691925048828, 26.777116775512695, 25.91952896118164, 25.09195899963379, 24.294410705566406, 23.526859283447266, 22.789304733276367, 22.081754684448242, 21.404220581054688, 20.75668716430664, 20.13913917541504, 19.551578521728516, 18.994016647338867, 18.46646499633789, 17.968917846679688, 17.501365661621094, 17.063804626464844, 16.656232833862305, 16.27863121032715, 15.931000709533691, 15.613356590270996, 15.32570743560791, 15.068055152893066, 14.840402603149414, 14.642765998840332, 14.475142478942871, 14.33752727508545, 14.22991943359375, 14.152315139770508, 14.10471248626709, 14.085672378540039, 14.078055381774902, 14.0750093460083, 14.073790550231934, 14.07330322265625, 14.073108673095703, 14.073030471801758, 14.072999000549316, 14.072986602783203, 14.072981834411621, 14.072979927062988, 14.072978973388672, 14.072978973388672, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.072978019714355, 14.04297924041748, 13.982977867126465, 13.892973899841309, 13.772964477539062, 13.62295150756836, 13.442934036254883, 13.232913970947266, 12.992880821228027, 12.72285270690918, 12.422826766967773, 12.092808723449707, 11.732794761657715, 11.342784881591797, 10.922784805297852, 10.472795486450195, 9.992825508117676, 9.48284912109375, 8.942864418029785, 8.372882843017578, 7.772909164428711, 7.142919063568115, 6.4829301834106445], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 2.0, 2.0, 0.0, 2.0, 2.0, 4.0, 5.0, 1.0, 4.0, 3.0, 3.0, 8.0, 9.0, 9.0, 8.0, 19.0, 22.0, 17.0, 28.0, 32.0, 22.0, 33.0, 37.0, 28.0, 40.0, 43.0, 37.0, 49.0, 40.0, 54.0, 56.0, 55.0, 62.0, 61.0, 66.0, 66.0, 71.0, 67.0, 76.0, 75.0, 78.0, 79.0, 74.0, 76.0, 80.0, 80.0, 78.0, 75.0, 77.0, 79.0, 79.0, 77.0, 74.0, 76.0, 82.0, 79.0, 80.0, 81.0, 81.0, 80.0, 76.0, 79.0, 77.0, 76.0, 68.0, 68.0, 61.0, 63.0, 62.0, 57.0, 55.0, 56.0, 50.0, 50.0, 45.0, 36.0, 34.0, 26.0, 25.0, 28.0, 29.0, 31.0, 42.0, 45.0, 57.0, 71.0], "travel": 246.7637153487153}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "человек_стоя", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [4.0, 5.0, 6.0, 5.0, 5.0, 7.0, 5.0, 6.0, 6.0, 5.0, 6.0, 6.0, 6.0, 7.0, 6.0, 6.0, 6.0, 6.0, 9.0, 4.0, 6.0, 5.0, 6.0, 5.0, 5.0, 8.0, 2.0, 6.0, 8.0, 5.0, 6.0, 5.0, 7.0, 2.0, 8.0, 8.0, 3.0, 7.0, 9.0, 6.0, 7.0, 7.0, 6.0, 7.0, 8.0, 9.0, 5.0, 12.0, 12.0, 11.0, 13.0, 13.0, 12.0, 12.0, 13.0, 12.0, 12.0, 12.0, 12.0, 13.0, 11.0, 14.0, 15.0, 16.0, 16.0, 15.0, 16.0, 19.0, 20.0, 20.0, 20.0, 20.0, 19.0, 22.0, 20.0, 20.0, 21.0, 23.0, 23.0, 24.0, 25.0, 24.0, 29.0, 27.0, 30.0, 30.0, 33.0, 33.0, 35.0, 36.0, 36.0, 36.0, 37.0, 37.0, 41.0, 42.0, 42.0, 43.0, 48.0, 51.0, 50.0, 52.0, 52.0, 54.0, 58.0, 61.0, 62.0, 62.0, 67.0, 67.0, 68.0, 78.0, 80.0, 81.0, 83.0, 93.0, 92.0, 92.0, 99.0, 103.0, 108.0, 117.0, 120.0, 119.0, 128.0, 134.0, 138.0, 148.0, 152.0, 162.0, 174.0, 180.0, 196.0, 202.0, 214.0, 232.0, 240.0, 264.0, 276.0, 295.0, 329.0, 348.0, 384.0, 409.0, 448.0, 495.0, 547.0, 595.0, 659.0, 747.0, 855.0, 971.0, 1100.0, 1229.0, 1375.0, 1579.0, 1807.0, 2139.0, 2601.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "человек_стоя", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [6.0, 7.0, 7.0, 7.0, 7.0, 7.0, 6.0, 6.0, 7.0, 7.0, 6.0, 6.0, 6.0, 6.0, 4.0, 5.0, 6.0, 7.0, 9.0, 5.0, 8.0, 6.0, 7.0, 6.0, 8.0, 7.0, 9.0, 9.0, 8.0, 7.0, 7.0, 9.0, 7.0, 7.0, 9.0, 9.0, 6.0, 9.0, 10.0, 9.0, 8.0, 8.0, 11.0, 8.0, 7.0, 10.0, 10.0, 9.0, 11.0, 12.0, 12.0, 12.0, 10.0, 12.0, 9.0, 15.0, 12.0, 15.0, 13.0, 15.0, 14.0, 14.0, 16.0, 16.0, 14.0, 15.0, 14.0, 14.0, 15.0, 18.0, 19.0, 21.0, 21.0, 18.0, 22.0, 21.0, 20.0, 25.0, 28.0, 24.0, 26.0, 25.0, 26.0, 26.0, 28.0, 31.0, 33.0, 38.0, 37.0, 37.0, 36.0, 34.0, 34.0, 33.0, 36.0, 41.0, 41.0, 41.0, 42.0, 45.0, 46.0, 52.0, 52.0, 52.0, 52.0, 51.0, 56.0, 61.0, 62.0, 64.0, 71.0, 72.0, 69.0, 76.0, 83.0, 84.0, 82.0, 94.0, 99.0, 96.0, 104.0, 112.0, 111.0, 123.0, 121.0, 135.0, 138.0, 148.0, 147.0, 159.0, 159.0, 169.0, 182.0, 190.0, 203.0, 218.0, 236.0, 243.0, 267.0, 285.0, 305.0, 331.0, 360.0, 385.0, 421.0, 459.0, 512.0, 561.0, 638.0, 692.0, 787.0, 906.0, 1044.0, 1206.0, 1372.0, 1555.0, 1786.0, 2108.0, 2549.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "человек_сидя", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 2.0, 3.0, 2.0, 3.0, 3.0, 2.0, 2.0, 3.0, 3.0, 5.0, 2.0, 4.0, 4.0, 5.0, 4.0, 3.0, 5.0, 2.0, 3.0, 4.0, 1.0, 2.0, 2.0, 5.0, 3.0, 5.0, 4.0, 1.0, 4.0, 5.0, 5.0, 5.0, 4.0, 2.0, 5.0, 5.0, 4.0, 2.0, 7.0, 6.0, 4.0, 4.0, 7.0, 5.0, 7.0, 8.0, 5.0, 7.0, 3.0, 7.0, 9.0, 5.0, 8.0, 9.0, 10.0, 6.0, 5.0, 6.0, 11.0, 10.0, 11.0, 11.0, 9.0, 9.0, 12.0, 9.0, 11.0, 11.0, 14.0, 15.0, 15.0, 16.0, 15.0, 18.0, 17.0, 20.0, 20.0, 20.0, 20.0, 25.0, 25.0, 25.0, 22.0, 21.0, 23.0, 26.0, 28.0, 29.0, 29.0, 34.0, 35.0, 35.0, 33.0, 30.0, 30.0, 35.0, 36.0, 36.0, 38.0, 44.0, 44.0, 46.0, 48.0, 48.0, 49.0, 49.0, 56.0, 57.0, 59.0, 61.0, 62.0, 66.0, 71.0, 73.0, 79.0, 79.0, 88.0, 88.0, 95.0, 93.0, 106.0, 117.0, 118.0, 125.0, 129.0, 136.0, 149.0, 153.0, 172.0, 172.0, 192.0, 210.0, 220.0, 242.0, 266.0, 281.0, 323.0, 355.0, 374.0, 429.0, 474.0, 546.0, 627.0, 693.0, 753.0, 798.0, 899.0, 945.0, 1072.0, 1189.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "человек_сидя", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 4.0, 3.0, 4.0, 4.0, 4.0, 6.0, 4.0, 5.0, 3.0, 5.0, 4.0, 5.0, 4.0, 6.0, 6.0, 4.0, 4.0, 4.0, 5.0, 5.0, 3.0, 5.0, 4.0, 3.0, 5.0, 5.0, 6.0, 6.0, 4.0, 7.0, 3.0, 2.0, 6.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 5.0, 7.0, 4.0, 8.0, 7.0, 10.0, 8.0, 10.0, 9.0, 9.0, 11.0, 11.0, 6.0, 7.0, 9.0, 11.0, 9.0, 11.0, 11.0, 11.0, 12.0, 8.0, 12.0, 12.0, 10.0, 15.0, 16.0, 13.0, 16.0, 16.0, 18.0, 18.0, 18.0, 19.0, 18.0, 22.0, 23.0, 24.0, 24.0, 26.0, 22.0, 23.0, 26.0, 27.0, 26.0, 25.0, 27.0, 30.0, 30.0, 35.0, 33.0, 33.0, 31.0, 36.0, 38.0, 36.0, 40.0, 43.0, 46.0, 48.0, 45.0, 45.0, 49.0, 55.0, 54.0, 58.0, 66.0, 58.0, 62.0, 68.0, 74.0, 73.0, 74.0, 80.0, 89.0, 89.0, 88.0, 99.0, 103.0, 112.0, 121.0, 121.0, 134.0, 138.0, 150.0, 158.0, 168.0, 182.0, 189.0, 209.0, 220.0, 248.0, 275.0, 297.0, 327.0, 371.0, 403.0, 451.0, 511.0, 592.0, 690.0, 762.0, 848.0, 907.0, 1005.0, 1117.0, 1260.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "ящик", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 2.0, 0.0, 2.0, 5.0, 2.0, 4.0, 1.0, 3.0, 2.0, 3.0, 2.0, 2.0, 4.0, 2.0, 2.0, 3.0, 0.0, 2.0, 1.0, 4.0, 3.0, 4.0, 4.0, 1.0, 2.0, 3.0, 2.0, 3.0, 2.0, 1.0, 4.0, 3.0, 2.0, 2.0, 5.0, 5.0, 4.0, 4.0, 7.0, 5.0, 4.0, 5.0, 5.0, 4.0, 3.0, 6.0, 6.0, 2.0, 5.0, 6.0, 7.0, 3.0, 2.0, 3.0, 9.0, 7.0, 8.0, 8.0, 9.0, 7.0, 11.0, 8.0, 11.0, 10.0, 13.0, 8.0, 12.0, 9.0, 9.0, 12.0, 11.0, 13.0, 13.0, 14.0, 15.0, 19.0, 20.0, 20.0, 20.0, 21.0, 15.0, 18.0, 20.0, 20.0, 21.0, 27.0, 27.0, 30.0, 30.0, 32.0, 30.0, 32.0, 34.0, 35.0, 34.0, 42.0, 42.0, 40.0, 42.0, 45.0, 45.0, 46.0, 47.0, 48.0, 48.0, 58.0, 58.0, 68.0, 62.0, 62.0, 70.0, 64.0, 77.0, 80.0, 82.0, 83.0, 94.0, 98.0, 100.0, 104.0, 108.0, 123.0, 127.0, 141.0, 148.0, 152.0, 163.0, 195.0, 197.0, 210.0, 237.0, 264.0, 280.0, 309.0, 343.0, 364.0, 423.0, 486.0, 545.0, 601.0, 635.0, 631.0, 660.0, 669.0, 646.0, 601.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "ящик", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 4.0, 2.0, 5.0, 2.0, 3.0, 2.0, 3.0, 3.0, 5.0, 4.0, 3.0, 4.0, 5.0, 5.0, 4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 3.0, 4.0, 5.0, 3.0, 6.0, 1.0, 1.0, 5.0, 4.0, 5.0, 5.0, 6.0, 6.0, 7.0, 5.0, 8.0, 3.0, 8.0, 5.0, 8.0, 6.0, 8.0, 6.0, 6.0, 8.0, 8.0, 4.0, 5.0, 8.0, 8.0, 8.0, 10.0, 10.0, 10.0, 10.0, 8.0, 11.0, 11.0, 9.0, 14.0, 16.0, 14.0, 16.0, 10.0, 11.0, 12.0, 13.0, 14.0, 12.0, 16.0, 17.0, 19.0, 17.0, 20.0, 20.0, 15.0, 18.0, 19.0, 19.0, 21.0, 24.0, 28.0, 26.0, 30.0, 30.0, 31.0, 28.0, 28.0, 30.0, 33.0, 37.0, 37.0, 39.0, 42.0, 37.0, 40.0, 47.0, 43.0, 41.0, 47.0, 53.0, 51.0, 57.0, 62.0, 60.0, 62.0, 59.0, 69.0, 73.0, 77.0, 75.0, 86.0, 84.0, 90.0, 99.0, 99.0, 113.0, 117.0, 128.0, 123.0, 146.0, 148.0, 170.0, 177.0, 185.0, 217.0, 230.0, 250.0, 275.0, 307.0, 348.0, 368.0, 440.0, 514.0, 590.0, 635.0, 687.0, 688.0, 703.0, 698.0, 660.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "чемодан", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 3.0, 1.0, 3.0, 1.0, 3.0, 2.0, 3.0, 2.0, 2.0, 3.0, 0.0, 1.0, 2.0, 0.0, 2.0, 1.0, 3.0, 1.0, 4.0, 3.0, 1.0, 2.0, 2.0, 1.0, 2.0, 1.0, 1.0, 3.0, 2.0, 2.0, 1.0, 4.0, 2.0, 3.0, 3.0, 3.0, 4.0, 3.0, 3.0, 2.0, 2.0, 1.0, 3.0, 2.0, 2.0, 2.0, 3.0, 4.0, 3.0, 2.0, 3.0, 8.0, 7.0, 8.0, 8.0, 6.0, 6.0, 8.0, 6.0, 4.0, 8.0, 7.0, 6.0, 7.0, 7.0, 6.0, 9.0, 9.0, 10.0, 10.0, 11.0, 11.0, 14.0, 15.0, 13.0, 11.0, 11.0, 12.0, 15.0, 16.0, 17.0, 17.0, 23.0, 19.0, 19.0, 20.0, 20.0, 20.0, 21.0, 25.0, 25.0, 24.0, 25.0, 25.0, 26.0, 33.0, 28.0, 28.0, 29.0, 35.0, 36.0, 35.0, 38.0, 37.0, 38.0, 40.0, 40.0, 41.0, 49.0, 49.0, 52.0, 61.0, 53.0, 64.0, 63.0, 65.0, 78.0, 72.0, 83.0, 84.0, 85.0, 99.0, 105.0, 107.0, 117.0, 126.0, 137.0, 152.0, 157.0, 192.0, 209.0, 227.0, 256.0, 272.0, 326.0, 363.0, 414.0, 408.0, 416.0, 385.0, 387.0, 315.0, 351.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "чемодан", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 0.0, 1.0, 1.0, 1.0, 4.0, 2.0, 3.0, 1.0, 2.0, 1.0, 2.0, 3.0, 3.0, 4.0, 3.0, 2.0, 3.0, 3.0, 2.0, 2.0, 3.0, 4.0, 2.0, 3.0, 2.0, 2.0, 3.0, 2.0, 4.0, 1.0, 1.0, 3.0, 2.0, 2.0, 3.0, 3.0, 3.0, 3.0, 1.0, 3.0, 0.0, 5.0, 3.0, 6.0, 4.0, 5.0, 4.0, 4.0, 5.0, 5.0, 2.0, 4.0, 4.0, 6.0, 5.0, 8.0, 8.0, 8.0, 8.0, 5.0, 8.0, 8.0, 6.0, 8.0, 10.0, 7.0, 10.0, 8.0, 9.0, 9.0, 10.0, 10.0, 9.0, 13.0, 15.0, 15.0, 13.0, 12.0, 12.0, 11.0, 14.0, 15.0, 15.0, 15.0, 16.0, 15.0, 15.0, 19.0, 20.0, 19.0, 19.0, 22.0, 22.0, 24.0, 20.0, 23.0, 26.0, 27.0, 26.0, 24.0, 29.0, 31.0, 30.0, 35.0, 38.0, 30.0, 37.0, 42.0, 36.0, 39.0, 43.0, 52.0, 46.0, 51.0, 46.0, 54.0, 57.0, 57.0, 65.0, 66.0, 71.0, 82.0, 83.0, 80.0, 93.0, 94.0, 105.0, 111.0, 115.0, 134.0, 147.0, 161.0, 182.0, 199.0, 220.0, 234.0, 276.0, 317.0, 363.0, 408.0, 421.0, 413.0, 390.0, 346.0, 369.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "ведро", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 2.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 1.0, 0.0, 1.0, 2.0, 1.0, 1.0, 1.0, 0.0, 2.0, 1.0, 2.0, 1.0, 3.0, 3.0, 4.0, 4.0, 2.0, 1.0, 4.0, 0.0, 1.0, 2.0, 3.0, 2.0, 4.0, 3.0, 2.0, 4.0, 4.0, 5.0, 5.0, 5.0, 5.0, 7.0, 4.0, 4.0, 6.0, 6.0, 6.0, 9.0, 6.0, 6.0, 6.0, 9.0, 9.0, 9.0, 9.0, 6.0, 6.0, 6.0, 9.0, 9.0, 9.0, 12.0, 14.0, 11.0, 15.0, 15.0, 12.0, 12.0, 15.0, 16.0, 11.0, 16.0, 16.0, 14.0, 18.0, 19.0, 15.0, 20.0, 25.0, 20.0, 25.0, 26.0, 26.0, 28.0, 28.0, 35.0, 30.0, 30.0, 37.0, 33.0, 44.0, 42.0, 42.0, 48.0, 53.0, 60.0, 68.0, 70.0, 81.0, 80.0, 90.0, 107.0, 111.0, 129.0, 153.0, 167.0, 150.0, 114.0, 74.0, 80.0, 111.0, 152.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "ведро", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 2.0, 1.0, 2.0, 2.0, 3.0, 3.0, 3.0, 1.0, 3.0, 0.0, 1.0, 0.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0, 3.0, 2.0, 3.0, 3.0, 3.0, 2.0, 2.0, 3.0, 1.0, 1.0, 4.0, 4.0, 3.0, 4.0, 4.0, 5.0, 4.0, 5.0, 5.0, 5.0, 6.0, 5.0, 4.0, 4.0, 6.0, 6.0, 6.0, 7.0, 6.0, 5.0, 4.0, 5.0, 6.0, 6.0, 9.0, 6.0, 6.0, 6.0, 8.0, 9.0, 8.0, 9.0, 11.0, 9.0, 10.0, 11.0, 8.0, 11.0, 12.0, 12.0, 15.0, 13.0, 12.0, 15.0, 16.0, 15.0, 14.0, 15.0, 18.0, 20.0, 17.0, 19.0, 20.0, 21.0, 21.0, 27.0, 24.0, 29.0, 30.0, 35.0, 32.0, 33.0, 34.0, 40.0, 39.0, 42.0, 45.0, 50.0, 57.0, 67.0, 67.0, 73.0, 70.0, 90.0, 105.0, 120.0, 138.0, 117.0, 81.0, 81.0, 93.0, 128.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "камень", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 2.0, 0.0, 1.0, 2.0, 1.0, 0.0, 2.0, 1.0, 0.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 1.0, 1.0, 2.0, 4.0, 4.0, 4.0, 3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 3.0, 2.0, 3.0, 4.0, 5.0, 5.0, 5.0, 5.0, 4.0, 4.0, 6.0, 5.0, 4.0, 6.0, 8.0, 6.0, 6.0, 7.0, 8.0, 9.0, 7.0, 8.0, 9.0, 9.0, 12.0, 12.0, 11.0, 12.0, 15.0, 13.0, 13.0, 17.0, 17.0, 20.0, 20.0, 22.0, 23.0, 24.0, 29.0, 31.0, 34.0, 35.0, 43.0, 48.0, 55.0, 64.0, 43.0, 21.0, 25.0, 34.0, 42.0, 58.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "камень", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 2.0, 1.0, 0.0, 1.0, 0.0, 1.0, 2.0, 2.0, 1.0, 2.0, 3.0, 3.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 3.0, 2.0, 4.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 2.0, 1.0, 3.0, 3.0, 4.0, 3.0, 5.0, 4.0, 2.0, 5.0, 6.0, 2.0, 3.0, 5.0, 4.0, 5.0, 4.0, 6.0, 6.0, 6.0, 7.0, 8.0, 8.0, 8.0, 12.0, 9.0, 10.0, 11.0, 11.0, 11.0, 12.0, 13.0, 15.0, 14.0, 14.0, 12.0, 17.0, 18.0, 21.0, 25.0, 22.0, 22.0, 26.0, 30.0, 34.0, 38.0, 19.0, 22.0, 24.0, 31.0, 42.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "бутылка", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 3.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 4.0, 3.0, 3.0, 3.0, 4.0, 5.0, 4.0, 3.0, 3.0, 3.0, 3.0, 4.0, 6.0, 7.0, 6.0, 6.0, 5.0, 5.0, 9.0, 9.0, 8.0, 9.0, 9.0, 8.0, 10.0, 11.0, 11.0, 14.0, 15.0, 15.0, 18.0, 19.0, 19.0, 20.0, 24.0, 25.0, 28.0, 36.0, 40.0, 40.0, 35.0, 29.0, 16.0, 23.0, 28.0, 37.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "бутылка", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 2.0, 1.0, 2.0, 2.0, 2.0, 0.0, 0.0, 0.0, 2.0, 2.0, 2.0, 1.0, 1.0, 2.0, 1.0, 0.0, 1.0, 1.0, 0.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 3.0, 2.0, 0.0, 3.0, 2.0, 1.0, 2.0, 3.0, 2.0, 2.0, 4.0, 5.0, 2.0, 3.0, 4.0, 2.0, 4.0, 3.0, 6.0, 4.0, 7.0, 5.0, 7.0, 7.0, 8.0, 8.0, 5.0, 7.0, 7.0, 10.0, 8.0, 9.0, 10.0, 11.0, 13.0, 12.0, 12.0, 15.0, 15.0, 16.0, 19.0, 19.0, 19.0, 21.0, 26.0, 31.0, 36.0, 29.0, 13.0, 20.0, 23.0, 31.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "кабель", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 4.0, 2.0, 2.0, 3.0, 2.0, 3.0, 2.0, 5.0, 7.0, 5.0, 7.0, 5.0, 5.0, 8.0, 10.0, 11.0, 13.0, 13.0, 17.0, 20.0, 21.0, 17.0, 12.0, 10.0, 15.0, 21.0, 28.0, 43.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "кабель", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 2.0, 1.0, 1.0, 2.0, 1.0, 2.0, 1.0, 1.0, 3.0, 2.0, 2.0, 3.0, 4.0, 3.0, 3.0, 3.0, 2.0, 2.0, 2.0, 3.0, 5.0, 3.0, 0.0, 0.0, 2.0, 4.0, 3.0, 10.0, 9.0, 12.0, 19.0, 28.0, 39.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "каска", "lateral": 0.0, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 2.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 0.0, 1.0, 2.0, 0.0, 2.0, 3.0, 3.0, 1.0, 3.0, 1.0, 0.0, 2.0, 1.0, 2.0, 3.0, 2.0, 2.0, 4.0, 3.0, 3.0, 2.0, 2.0, 2.0, 2.0, 4.0, 4.0, 5.0, 5.0, 6.0, 6.0, 6.0, 6.0, 5.0, 6.0, 6.0, 6.0, 6.0, 7.0, 6.0, 6.0, 7.0, 8.0, 6.0, 8.0, 8.0, 6.0, 9.0, 9.0, 8.0, 11.0, 10.0, 9.0, 10.0, 13.0, 12.0, 11.0, 12.0, 16.0, 16.0, 16.0, 14.0, 18.0, 19.0, 19.0, 19.0, 21.0, 24.0, 26.0, 28.0, 28.0, 34.0, 34.0, 37.0, 39.0, 43.0, 50.0, 53.0, 58.0, 65.0, 72.0, 87.0, 88.0, 65.0, 34.0, 44.0, 48.0, 66.0, 87.0], "travel": 273.9439574444854}, {"bag": "roundT_squareT_pressureGate_squareT", "obj": "каска", "lateral": 0.9, "d": [184.8680419921875, 183.49343872070312, 182.1031951904297, 180.72021484375, 179.33395385742188, 177.94326782226562, 176.5569610595703, 175.17471313476562, 173.78466796875, 172.389892578125, 171.00230407714844, 169.60533142089844, 168.20541381835938, 166.82412719726562, 165.43255615234375, 164.0405731201172, 162.6529541015625, 161.26632690429688, 159.85723876953125, 158.46652221679688, 157.08615112304688, 155.69662475585938, 154.29649353027344, 152.90325927734375, 151.50387573242188, 150.10935974121094, 148.72509765625, 147.34356689453125, 145.97183227539062, 144.59226989746094, 143.2103729248047, 141.8228302001953, 140.44100952148438, 139.05198669433594, 137.68612670898438, 136.31088256835938, 134.96560668945312, 133.62042236328125, 132.26974487304688, 130.92454528808594, 129.58682250976562, 128.24160766601562, 126.9152603149414, 125.59263610839844, 124.27490234375, 122.95883178710938, 121.64336395263672, 120.33795166015625, 119.03079986572266, 117.72122955322266, 116.42127990722656, 115.12266540527344, 113.83904266357422, 112.5551528930664, 111.27759552001953, 110.01165008544922, 108.77079772949219, 107.5232162475586, 106.28862762451172, 105.06402587890625, 103.82656860351562, 102.60124969482422, 101.38114166259766, 100.16089630126953, 98.94750213623047, 97.76019287109375, 96.56556701660156, 95.36873626708984, 94.1833724975586, 92.9995346069336, 91.8172378540039, 90.63160705566406, 89.4759521484375, 88.31999969482422, 87.14761352539062, 85.99713134765625, 84.87230682373047, 83.73371124267578, 82.59548950195312, 81.4873046875, 80.3529052734375, 79.23493957519531, 78.14196014404297, 77.0499038696289, 75.94426727294922, 74.86316680908203, 73.78207397460938, 72.70038604736328, 71.61856079101562, 70.55645751953125, 69.50077819824219, 68.43858337402344, 67.37870025634766, 66.33767700195312, 65.30696105957031, 64.27120208740234, 63.25857925415039, 62.26396179199219, 61.26425552368164, 60.2569694519043, 59.27970886230469, 58.288333892822266, 57.30182647705078, 56.34156799316406, 55.37420654296875, 54.397525787353516, 53.44643783569336, 52.50006866455078, 51.550750732421875, 50.62018585205078, 49.696136474609375, 48.770687103271484, 47.8569450378418, 46.95228576660156, 46.03913116455078, 45.1278190612793, 44.219032287597656, 43.323265075683594, 42.42747497558594, 41.53536605834961, 40.646602630615234, 39.76651382446289, 38.88081359863281, 38.0023193359375, 37.107208251953125, 36.22962188720703, 35.34949493408203, 34.48421096801758, 33.60224533081055, 32.72378921508789, 31.856035232543945, 30.987262725830078, 30.12679100036621, 29.264631271362305, 28.40730094909668, 27.553075790405273, 26.69583511352539, 25.84114646911621, 24.98748016357422, 24.117122650146484, 23.25249481201172, 22.390090942382812, 21.51670265197754, 20.6391658782959, 19.75461769104004, 18.8612117767334, 17.966785430908203, 17.078798294067383, 16.220792770385742, 15.332822799682617, 14.414799690246582, 13.483678817749023, 12.55446720123291, 11.608307838439941, 10.639532089233398, 9.66939640045166, 8.698429107666016, 7.702112674713135, 6.717254161834717], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 2.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 2.0, 2.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 2.0, 1.0, 0.0, 1.0, 2.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 3.0, 4.0, 3.0, 3.0, 1.0, 3.0, 1.0, 2.0, 3.0, 2.0, 3.0, 3.0, 4.0, 3.0, 2.0, 2.0, 2.0, 2.0, 4.0, 2.0, 1.0, 2.0, 3.0, 3.0, 5.0, 6.0, 6.0, 6.0, 3.0, 5.0, 5.0, 4.0, 3.0, 4.0, 8.0, 5.0, 5.0, 6.0, 6.0, 5.0, 5.0, 6.0, 4.0, 6.0, 8.0, 8.0, 6.0, 7.0, 11.0, 8.0, 9.0, 8.0, 13.0, 9.0, 13.0, 13.0, 14.0, 14.0, 15.0, 15.0, 13.0, 16.0, 18.0, 18.0, 20.0, 22.0, 20.0, 23.0, 24.0, 30.0, 33.0, 32.0, 33.0, 37.0, 44.0, 53.0, 56.0, 35.0, 33.0, 35.0, 49.0, 64.0], "travel": 273.9439574444854}, {"bag": "squareT_platform_squareT_switch", "obj": "человек_стоя", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [6.0, 4.0, 4.0, 5.0, 4.0, 5.0, 6.0, 6.0, 6.0, 7.0, 7.0, 8.0, 8.0, 6.0, 7.0, 8.0, 6.0, 7.0, 8.0, 7.0, 8.0, 6.0, 7.0, 6.0, 7.0, 6.0, 6.0, 7.0, 8.0, 6.0, 7.0, 7.0, 7.0, 7.0, 7.0, 8.0, 10.0, 8.0, 10.0, 9.0, 10.0, 11.0, 11.0, 10.0, 10.0, 10.0, 10.0, 10.0, 10.0, 10.0, 12.0, 10.0, 10.0, 10.0, 11.0, 11.0, 11.0, 14.0, 13.0, 19.0, 20.0, 17.0, 17.0, 21.0, 17.0, 20.0, 21.0, 22.0, 23.0, 22.0, 23.0, 24.0, 26.0, 27.0, 26.0, 29.0, 28.0, 28.0, 30.0, 27.0, 33.0, 34.0, 34.0, 33.0, 38.0, 40.0, 40.0, 42.0, 42.0, 46.0, 48.0, 48.0, 48.0, 55.0, 55.0, 52.0, 56.0, 57.0, 56.0, 63.0, 72.0, 71.0, 72.0, 75.0, 75.0, 86.0, 90.0, 99.0, 111.0, 131.0, 140.0, 161.0, 181.0, 205.0, 227.0, 383.0, 439.0, 491.0, 569.0, 669.0, 794.0, 930.0, 1139.0, 1296.0, 1523.0, 1787.0, 2148.0, 2697.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "человек_стоя", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [4.0, 4.0, 4.0, 5.0, 5.0, 7.0, 6.0, 6.0, 6.0, 7.0, 8.0, 7.0, 8.0, 7.0, 7.0, 7.0, 6.0, 7.0, 6.0, 8.0, 7.0, 7.0, 7.0, 7.0, 7.0, 7.0, 8.0, 8.0, 7.0, 8.0, 8.0, 7.0, 7.0, 8.0, 6.0, 7.0, 9.0, 10.0, 9.0, 9.0, 10.0, 9.0, 11.0, 10.0, 10.0, 11.0, 10.0, 10.0, 11.0, 11.0, 10.0, 11.0, 12.0, 11.0, 11.0, 11.0, 11.0, 13.0, 15.0, 19.0, 18.0, 15.0, 15.0, 15.0, 14.0, 13.0, 12.0, 14.0, 12.0, 12.0, 15.0, 14.0, 13.0, 16.0, 14.0, 18.0, 22.0, 25.0, 25.0, 28.0, 34.0, 31.0, 32.0, 38.0, 32.0, 28.0, 33.0, 30.0, 25.0, 25.0, 25.0, 19.0, 17.0, 17.0, 13.0, 14.0, 13.0, 11.0, 10.0, 12.0, 14.0, 17.0, 16.0, 14.0, 16.0, 18.0, 19.0, 20.0, 23.0, 23.0, 27.0, 36.0, 38.0, 39.0, 49.0, 143.0, 240.0, 311.0, 433.0, 561.0, 732.0, 913.0, 1127.0, 1287.0, 1501.0, 1757.0, 2116.0, 2650.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "человек_сидя", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [4.0, 3.0, 2.0, 2.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 3.0, 4.0, 4.0, 3.0, 3.0, 4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 8.0, 6.0, 8.0, 5.0, 5.0, 6.0, 7.0, 6.0, 6.0, 6.0, 6.0, 6.0, 7.0, 7.0, 7.0, 9.0, 7.0, 7.0, 6.0, 6.0, 6.0, 6.0, 7.0, 9.0, 12.0, 11.0, 10.0, 12.0, 12.0, 12.0, 12.0, 12.0, 12.0, 12.0, 12.0, 16.0, 18.0, 18.0, 16.0, 16.0, 18.0, 16.0, 18.0, 20.0, 17.0, 24.0, 24.0, 20.0, 20.0, 20.0, 24.0, 28.0, 28.0, 28.0, 33.0, 31.0, 33.0, 35.0, 35.0, 35.0, 33.0, 35.0, 34.0, 34.0, 37.0, 41.0, 44.0, 41.0, 38.0, 46.0, 52.0, 56.0, 65.0, 75.0, 84.0, 90.0, 98.0, 106.0, 123.0, 141.0, 244.0, 279.0, 304.0, 365.0, 437.0, 510.0, 615.0, 725.0, 780.0, 909.0, 990.0, 1103.0, 1251.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "человек_сидя", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 4.0, 4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 3.0, 3.0, 4.0, 4.0, 4.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 6.0, 7.0, 8.0, 9.0, 9.0, 9.0, 7.0, 7.0, 7.0, 9.0, 12.0, 9.0, 8.0, 8.0, 7.0, 6.0, 6.0, 6.0, 5.0, 3.0, 4.0, 5.0, 6.0, 4.0, 6.0, 4.0, 8.0, 14.0, 16.0, 17.0, 20.0, 24.0, 21.0, 20.0, 20.0, 19.0, 13.0, 20.0, 18.0, 13.0, 13.0, 15.0, 8.0, 13.0, 9.0, 5.0, 4.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 2.0, 0.0, 0.0, 2.0, 3.0, 4.0, 13.0, 86.0, 168.0, 228.0, 317.0, 407.0, 499.0, 615.0, 745.0, 820.0, 943.0, 1008.0, 1152.0, 1314.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "ящик", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "rays": [2.0, 2.0, 2.0, 4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 5.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 6.0, 6.0, 6.0, 8.0, 9.0, 9.0, 6.0, 6.0, 6.0, 6.0, 5.0, 4.0, 4.0, 4.0, 4.0, 6.0, 6.0, 6.0, 6.0, 6.0, 7.0, 6.0, 6.0, 6.0, 6.0, 8.0, 6.0, 9.0, 9.0, 12.0, 11.0, 9.0, 12.0, 11.0, 9.0, 9.0, 9.0, 10.0, 16.0, 16.0, 16.0, 13.0, 13.0, 12.0, 13.0, 14.0, 12.0, 15.0, 18.0, 19.0, 19.0, 20.0, 16.0, 20.0, 20.0, 22.0, 22.0, 29.0, 29.0, 30.0, 30.0, 31.0, 35.0, 25.0, 27.0, 27.0, 26.0, 29.0, 27.0, 28.0, 33.0, 32.0, 35.0, 37.0, 42.0, 49.0, 48.0, 57.0, 73.0, 69.0, 88.0, 93.0, 112.0, 210.0, 237.0, 263.0, 303.0, 373.0, 440.0, 538.0, 652.0, 659.0, 707.0, 718.0, 686.0, 702.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "ящик", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [2.0, 2.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 5.0, 5.0, 5.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 5.0, 4.0, 4.0, 4.0, 4.0, 4.0, 8.0, 8.0, 4.0, 6.0, 4.0, 6.0, 6.0, 4.0, 4.0, 4.0, 6.0, 6.0, 6.0, 6.0, 4.0, 6.0, 6.0, 6.0, 6.0, 6.0, 8.0, 8.0, 6.0, 9.0, 7.0, 8.0, 8.0, 6.0, 6.0, 5.0, 5.0, 5.0, 5.0, 5.0, 6.0, 5.0, 3.0, 3.0, 3.0, 4.0, 8.0, 10.0, 12.0, 14.0, 17.0, 19.0, 20.0, 19.0, 11.0, 10.0, 12.0, 11.0, 8.0, 9.0, 12.0, 7.0, 10.0, 9.0, 4.0, 1.0, 3.0, 0.0, 0.0, 1.0, 2.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 2.0, 2.0, 6.0, 6.0, 5.0, 15.0, 57.0, 104.0, 168.0, 226.0, 331.0, 413.0, 517.0, 640.0, 672.0, 725.0, 731.0, 735.0, 685.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "чемодан", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [2.0, 2.0, 1.0, 1.0, 1.0, 3.0, 4.0, 4.0, 3.0, 4.0, 4.0, 4.0, 4.0, 3.0, 3.0, 4.0, 4.0, 3.0, 4.0, 3.0, 4.0, 4.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 3.0, 4.0, 3.0, 3.0, 3.0, 1.0, 2.0, 4.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 6.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 9.0, 8.0, 6.0, 7.0, 9.0, 7.0, 9.0, 9.0, 9.0, 6.0, 6.0, 9.0, 9.0, 9.0, 9.0, 9.0, 10.0, 10.0, 10.0, 11.0, 9.0, 14.0, 14.0, 10.0, 11.0, 12.0, 15.0, 15.0, 16.0, 17.0, 19.0, 21.0, 21.0, 19.0, 19.0, 22.0, 20.0, 16.0, 17.0, 14.0, 18.0, 21.0, 21.0, 24.0, 19.0, 18.0, 26.0, 25.0, 30.0, 37.0, 39.0, 50.0, 54.0, 60.0, 74.0, 79.0, 136.0, 148.0, 166.0, 201.0, 237.0, 301.0, 361.0, 440.0, 440.0, 416.0, 411.0, 404.0, 397.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "чемодан", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [2.0, 0.0, 1.0, 1.0, 3.0, 4.0, 4.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 3.0, 2.0, 3.0, 4.0, 4.0, 2.0, 3.0, 3.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 2.0, 2.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 4.0, 6.0, 6.0, 4.0, 4.0, 4.0, 4.0, 6.0, 9.0, 6.0, 4.0, 4.0, 5.0, 4.0, 2.0, 2.0, 4.0, 3.0, 3.0, 3.0, 3.0, 1.0, 3.0, 2.0, 3.0, 6.0, 6.0, 9.0, 9.0, 14.0, 12.0, 10.0, 12.0, 8.0, 4.0, 9.0, 5.0, 3.0, 4.0, 8.0, 5.0, 5.0, 3.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 3.0, 7.0, 29.0, 62.0, 87.0, 149.0, 191.0, 270.0, 350.0, 446.0, 454.0, 429.0, 421.0, 403.0, 388.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "ведро", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 4.0, 4.0, 4.0, 2.0, 4.0, 4.0, 2.0, 1.0, 2.0, 2.0, 4.0, 4.0, 4.0, 5.0, 4.0, 4.0, 4.0, 5.0, 4.0, 5.0, 6.0, 8.0, 6.0, 6.0, 4.0, 8.0, 7.0, 5.0, 5.0, 7.0, 8.0, 7.0, 8.0, 9.0, 9.0, 10.0, 9.0, 10.0, 9.0, 11.0, 10.0, 10.0, 11.0, 10.0, 10.0, 14.0, 14.0, 17.0, 18.0, 21.0, 23.0, 27.0, 28.0, 30.0, 35.0, 47.0, 49.0, 59.0, 78.0, 103.0, 117.0, 151.0, 180.0, 154.0, 112.0, 78.0, 112.0, 156.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "ведро", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 3.0, 4.0, 1.0, 1.0, 2.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 2.0, 2.0, 3.0, 3.0, 2.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 3.0, 5.0, 5.0, 5.0, 6.0, 6.0, 6.0, 4.0, 5.0, 1.0, 6.0, 2.0, 2.0, 0.0, 2.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 3.0, 21.0, 43.0, 75.0, 96.0, 113.0, 145.0, 181.0, 152.0, 111.0, 75.0, 102.0, 145.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "камень", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 3.0, 2.0, 3.0, 2.0, 3.0, 2.0, 2.0, 2.0, 1.0, 2.0, 2.0, 1.0, 2.0, 2.0, 2.0, 3.0, 4.0, 2.0, 2.0, 3.0, 4.0, 3.0, 2.0, 3.0, 4.0, 2.0, 3.0, 4.0, 4.0, 4.0, 5.0, 4.0, 4.0, 3.0, 7.0, 7.0, 7.0, 8.0, 8.0, 9.0, 10.0, 10.0, 11.0, 14.0, 16.0, 10.0, 19.0, 28.0, 39.0, 44.0, 53.0, 63.0, 44.0, 23.0, 29.0, 38.0, 58.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "камень", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 2.0, 1.0, 2.0, 1.0, 1.0, 2.0, 2.0, 1.0, 3.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 11.0, 27.0, 31.0, 39.0, 45.0, 53.0, 63.0, 44.0, 22.0, 32.0, 40.0, 50.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "бутылка", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 2.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 0.0, 2.0, 2.0, 2.0, 2.0, 2.0, 0.0, 1.0, 2.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 2.0, 3.0, 3.0, 2.0, 2.0, 2.0, 3.0, 2.0, 3.0, 3.0, 5.0, 5.0, 4.0, 5.0, 4.0, 4.0, 6.0, 8.0, 8.0, 7.0, 8.0, 9.0, 13.0, 5.0, 16.0, 20.0, 27.0, 33.0, 33.0, 45.0, 38.0, 21.0, 23.0, 34.0, 38.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "бутылка", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 2.0, 0.0, 2.0, 0.0, 2.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 6.0, 12.0, 21.0, 27.0, 30.0, 33.0, 44.0, 38.0, 26.0, 23.0, 26.0, 36.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "кабель", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 2.0, 1.0, 0.0, 1.0, 2.0, 4.0, 2.0, 2.0, 4.0, 5.0, 3.0, 0.0, 5.0, 11.0, 19.0, 21.0, 26.0, 21.0, 13.0, 15.0, 18.0, 34.0, 44.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "кабель", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 4.0, 8.0, 10.0, 17.0, 19.0, 26.0, 31.0, 25.0, 17.0, 21.0, 23.0, 39.0, 65.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "каска", "lateral": 0.0, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 2.0, 2.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 2.0, 1.0, 1.0, 2.0, 1.0, 1.0, 1.0, 2.0, 2.0, 3.0, 3.0, 4.0, 3.0, 3.0, 3.0, 3.0, 2.0, 2.0, 3.0, 2.0, 3.0, 2.0, 3.0, 3.0, 5.0, 5.0, 4.0, 5.0, 4.0, 5.0, 4.0, 5.0, 4.0, 6.0, 6.0, 5.0, 3.0, 6.0, 5.0, 7.0, 7.0, 7.0, 6.0, 8.0, 9.0, 9.0, 8.0, 12.0, 10.0, 14.0, 13.0, 16.0, 18.0, 18.0, 23.0, 21.0, 26.0, 42.0, 62.0, 69.0, 84.0, 99.0, 66.0, 38.0, 52.0, 69.0, 85.0], "travel": 270.98139848673645}, {"bag": "squareT_platform_squareT_switch", "obj": "каска", "lateral": 0.9, "d": [185.61097717285156, 184.29884338378906, 182.962646484375, 181.62911987304688, 180.31358337402344, 178.999755859375, 177.67344665527344, 176.34793090820312, 175.0206298828125, 173.67874145507812, 172.31912231445312, 170.95965576171875, 169.60061645507812, 168.2292938232422, 166.8826446533203, 165.52337646484375, 164.1920623779297, 162.8739013671875, 161.52566528320312, 160.16839599609375, 158.81922912597656, 157.45108032226562, 156.07147216796875, 154.69923400878906, 153.34092712402344, 151.9775390625, 150.59823608398438, 149.22027587890625, 147.85476684570312, 146.4821319580078, 145.1023712158203, 143.71939086914062, 142.33457946777344, 140.9400177001953, 139.53848266601562, 138.15188598632812, 136.7483673095703, 135.349365234375, 133.95164489746094, 132.55494689941406, 131.14686584472656, 129.7388458251953, 128.3292236328125, 126.91744995117188, 125.50078582763672, 124.07543182373047, 122.65342712402344, 121.2310791015625, 119.8079605102539, 118.37146759033203, 116.95162200927734, 115.51481628417969, 114.08336639404297, 112.67505645751953, 111.24003601074219, 109.79078674316406, 108.35690307617188, 106.93075561523438, 105.4892349243164, 104.0538101196289, 102.62421417236328, 101.19215393066406, 99.7488021850586, 98.31375122070312, 96.8891372680664, 95.46652221679688, 94.02999114990234, 92.58283996582031, 91.15037536621094, 89.70475006103516, 88.2632064819336, 86.82772064208984, 85.40911102294922, 83.97154235839844, 82.54576873779297, 81.13534545898438, 79.71272277832031, 78.27703857421875, 76.85950469970703, 75.42024993896484, 73.97454833984375, 72.55884552001953, 71.15501403808594, 69.75607299804688, 68.37718200683594, 67.01538848876953, 65.65166473388672, 64.30294036865234, 62.92965316772461, 61.53318405151367, 60.130096435546875, 58.731056213378906, 57.3239631652832, 55.938358306884766, 54.55289077758789, 53.19643783569336, 51.82695770263672, 50.48747253417969, 49.1192512512207, 47.773216247558594, 46.399593353271484, 45.013153076171875, 43.635223388671875, 42.28728103637695, 40.929222106933594, 39.579036712646484, 38.242652893066406, 36.897090911865234, 35.58150863647461, 34.29590606689453, 33.012062072753906, 31.756261825561523, 30.49374008178711, 29.23682975769043, 27.97007942199707, 20.573469161987305, 19.486839294433594, 18.370180130004883, 17.223526000976562, 16.068857192993164, 14.884258270263672, 13.669769287109375, 12.425352096557617, 11.210912704467773, 10.026443481445312, 8.871922492980957, 7.738920211791992, 6.601931095123291], "hit": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0], "fp": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0], "rays": [0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 1.0, 0.0, 1.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 1.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 2.0, 2.0, 1.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 2.0, 3.0, 2.0, 3.0, 4.0, 1.0, 2.0, 3.0, 3.0, 1.0, 4.0, 1.0, 1.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 3.0, 16.0, 34.0, 51.0, 63.0, 66.0, 81.0, 97.0, 67.0, 35.0, 47.0, 62.0, 77.0], "travel": 270.98139848673645}] \ No newline at end of file diff --git a/artifacts/generalisation.json b/artifacts/generalisation.json new file mode 100644 index 0000000..64ef140 --- /dev/null +++ b/artifacts/generalisation.json @@ -0,0 +1,92 @@ +[ + { + "bag": "doubleT_obstacle", + "frames": 190, + "path_m": 0.0, + "alarm_frames": 183, + "alarm_rate": 0.9631578947368421, + "fp_objects": 322, + "fp_tracks": 5, + "fp_per_km": NaN, + "fp_median_d": 76.65631835070762, + "obj_rate": 0.9894736842105263, + "ms_p50": 33.958500005610404, + "ms_p95": 37.71089500642119, + "train_size": 37073 + }, + { + "bag": "doubleT_platform", + "frames": 239, + "path_m": 200.74905739412534, + "alarm_frames": 56, + "alarm_rate": 0.23430962343096234, + "fp_objects": 56, + "fp_tracks": 1, + "fp_per_km": 4.981343439320496, + "fp_median_d": 62.79671678753603, + "obj_rate": null, + "ms_p50": 40.0374000055308, + "ms_p95": 43.40603000018746, + "train_size": 36151 + }, + { + "bag": "roundT_doubleT", + "frames": 239, + "path_m": 200.9598713551979, + "alarm_frames": 3, + "alarm_rate": 0.012552301255230125, + "fp_objects": 3, + "fp_tracks": 1, + "fp_per_km": 4.976117835149752, + "fp_median_d": 59.10944286836971, + "obj_rate": null, + "ms_p50": 39.84129999298602, + "ms_p95": 49.274240005979664, + "train_size": 36584 + }, + { + "bag": "roundT_pressureGate_roundT", + "frames": 239, + "path_m": 246.7637153487153, + "alarm_frames": 0, + "alarm_rate": 0.0, + "fp_objects": 0, + "fp_tracks": 0, + "fp_per_km": 0.0, + "fp_median_d": NaN, + "obj_rate": null, + "ms_p50": 46.89270000017132, + "ms_p95": 52.964819991757395, + "train_size": 36718 + }, + { + "bag": "roundT_squareT_pressureGate_squareT", + "frames": 239, + "path_m": 273.9439574444854, + "alarm_frames": 86, + "alarm_rate": 0.3598326359832636, + "fp_objects": 89, + "fp_tracks": 3, + "fp_per_km": 10.951145000553437, + "fp_median_d": 108.44065443448855, + "obj_rate": null, + "ms_p50": 46.32040000797133, + "ms_p95": 50.264649999007815, + "train_size": 36083 + }, + { + "bag": "squareT_platform_squareT_switch", + "frames": 239, + "path_m": 270.98139848673645, + "alarm_frames": 34, + "alarm_rate": 0.14225941422594143, + "fp_objects": 34, + "fp_tracks": 2, + "fp_per_km": 7.380580405772363, + "fp_median_d": 98.006467832879, + "obj_rate": null, + "ms_p50": 40.29609999633976, + "ms_p95": 47.709809999651036, + "train_size": 33658 + } +] \ No newline at end of file diff --git a/artifacts/mushroom_body.npz b/artifacts/mushroom_body.npz new file mode 100644 index 0000000000000000000000000000000000000000..d696ac9217b87e250e6a93a5dc7075af0a3d4667 GIT binary patch literal 47634 zcmXV%XHXN)+qLcJ4*?YwkrEXV6#)V1kfsDF&(1OA0C~oq#AvjevsEBE2S2 zdJjGH&_hcjkPt$W*Z(u`&g|@$o!R}e_uPBVb)Fg>JfyI1-@c>&=EZ$6&hjt#|9||q z@AST4M=vKIZ$ zKrRoz9*AL9P~pUNhjkl5{iqr`Sz~Ybhy*-rISs2jWSK(rEl?u=W^L*lDH10_H#bF7 z><}aja|S}iQ|ibLP-?9x0kk`=hpil1*;XR&jw@~4+J%3(CThsPQmpx+6RpU0syFSdqaF911G69>}oqB3$J9Fgb zt4-md1&&JX9yqxme6JiQ;)UtaGCj*_i&@nZD`Bt`sQ49Ae@{{)cmnwPpc#ItDm;?F zH<=DzaLO3wp6WCD!zIns+jF@|#voI;LrqJ90&T(nd!1-PUj}@8l{gVt#*`z5_jgQF z;lTt=K$cH)DeDyw-{@Z8?kNCLrBUm??##LO4J)DmFgSlM?#O(mu3u}sOhV0339rVj ztu!X@@9)>=!*R3Sli+1Wu%!}6uiCT;0Kd+yUep0sAsyV(+~cHf)zJ+Ls{yb@L4|BU z2xoc-z?&Xk73=j~I*R(C<@Ds9j4(^F@0{~BdZ>yqo&t&x8 z|7AZLJ6UX3@?}GM^i3&Fx3OzW7Dx~AHTETfCipsyU8WwvQ~H3Ma2lD>upEzCcVFlc zB$NPs9B0L31dlhO$4H2_l3-VAr`tljhFl=M23oBL)5Nl%V5Lc4d>3Rd;K2fs!fHpt zIA2D$2ueKMrR*T9H9e_XX4T-Wm+>DUGCnT4-5bF!w&W(U;nJbhp^c^RtRnArPP49$ zo-0F97pzUId>ad}MHdqQXr1Kq*VW6mMS9v^u0rX&c)Nu@5KjW z_>q$qnpr-q2E%!WKRQ%Ls?rFRmUhY>N=!8V_9aRK=LjvLQK%(uUiqsde7S~T}h%Ll%`Io%*O(|VN z=YTQaBpn0AbjX}VODvYy$PAv;a8xn+K=>qC`3D)Ul4%c`+e$S&C$a-Uo#w%$Tp3NA z#w>q1Y<4wutFKXk-+y3xPo~I?%*9g#5;Q4wkapYA!nOlQ`{j`eowhS9|2J$~r(~}+ zHQZK_|KsqW(ZDql@O4YuL2G`9688ikV22$lQGVu1Bde93lPgB@|b0tCB|oll^?RH zcP*I>f4tSZG$JJot9Q=`^lwrV8->UFY2%}Do4}C2;-UnpXx0wPS0j7)h-0zxZq=@s zh8J6BLACN)*cp5EzpM#P!clO?4`X<=$|Zl_j*hGmV91~NjQDSi9qFsq%WDwo)lJRa zpYWqowVt8vH_iqyR6LM zy2@?!A%{28ZRxZ?`i|qv>uVw79F_j`0(>Q$VNNV*_g`V7&7s#dhjczNrQ8{qz*V(h2+-XA6I;Z(C^sm^ zbjDT~1ce9O%~Q1h1Xq3TIj@>7)5e{xHzX{4p_CFi0}bUoc8C~5?v+xY zb$(O(Plt74nqlfO)yWIm|4MIgn4x6Gq+@1ESnrwjW5C8~`_vH?&NW9z_cts_HCFe1 zI|4N;*qtuDyz`?3@+%;F0T}K9CpHBGtm8XbX5*JxIGX-;2!5Ob@EWbHsq3t@{CEp= ze)5A+u?3v>lG18pH^h@%vY&ghu;{Sbb&{ufvvjRpDuZa<4N)Xmz|T!CD5fJU@_Gxr zhgPE3*ZVY#Bz6tG<9DsUHw>ot`y|QLVoNc`8i-fDZr}!7t}@qN>)m?kr>sB0uH9LyAm#zuH)5-XinNTh76V*rb)~X zlKK5a7D^7E2o?ZXIsZ_!)%?vn>sZK?rHnK%_m(3}FRL1ki`%*yL?-CW9n6Z?dfw|k zjo^)Dtifp<8ITk`xJZbEj1$AmkY;?p^IJKG$%O1*lW$UgUkUf6{gt|9JFaAa0&ON0 z9SJnv4Q#71Mw+@G$l(UXSl<_@l#W(YuzB$9XbQ&|zBUn_WKujSS@XWh7+$B<9X6 z-C7M{a(KVlCe4D4JMHIv`oZ^&uE@K4j@f0_u&utPGSFc^ml%zm*EED*G6M&GPWYvj zQx+&VK;25Gnr#?J_wXcYAsX1#_SdSl;C(PPcBX20-ROt<*?r;Xs7WQ()In$-^+3N4 z$!h(x`x6)Ex56{L5g~=-V6kWzyR7@4-6hd>-n#}?R#*^p2@aO@m2Rp? zo@p%dkgAWr50zMWar_Ol*$ot}iCau#8_w$a3T@6Hwk39^a0uPf^T{C@-SJXEAIj7h zIMvvl40GIfXDP$^*m_&yYNx($`mTXtw+#Y=NA!HO-2LqZw+h(`;kDvet>qsW=WE1syy8; zvI23F8s$0LXsavO=wc|?mJlKLzAwt52B5g!84RSq*bJULif^+d4%H>bmb}ig!o0R@r`?g z%AxKncOA!|F8sID!f;2#=IG~0&UPv_j1V;`5n6yQng;%U8c4+pTYW?p_ zn>R1aeYh?+5u3<(wDk>Y9ocepb=ROqX)GH{j5X)106xW51gSJcZG1hjXJe8uqWjQ0 zN?D>;9HwUnNR_hfU*S`D*Xr-)%hR{?Sz=M20N5Rc5XH@9-P4N>%%iKUdXyUtz;~T6RASq}rFGlJe@*ex| z{)x{*-zur!kenU0f->qFc-SjrMyY|4gVOStmrTV@Sa`7;=Nzwl$vRWiR(Z?$$lk09C8 z-n&r)b?a`d1Ct=q{O%}9!}7=QKwZ3Qd2lPx!?>?%saFa*ehpRYX`?RY>-Yt>21V0W zLi%~sFmZVAGOBvf@kmtOjm|LRp#3Yyv#L^ka(@|<0W$_$FZvysS4#mqo7aEg?#|Z7 z*BnD}r!$b>{UVp`){odkT7&>@eVCduBE6Jsm-M4PkK>2}nRU!;i?a;}uBrnMaHF6? zwL4?|)%KciYH}uj3x_P1%82}giS2C8*C)^A?NPY>(9<`&;{X7zOhVIZsjc{WyNQ#ZHb19QGN%tUw+Sd){}J`nC(#R zKZ<)6?wZ;`o2^shahw+f3JQ&Pjh;jzB0v7&w-LghTlp`m6OZRUIj%^V^5~8+Nb-gC zbo75>)K>4%lMNpE$&*{)WAq|DoLH^M<+i$(F@rE2#w6#a7mw+7PMKzw;l{O6s&yBSi?rU2GDT?+@ZvjS1-JNqpM>2=r@G^uo1 z+~FHHv=l9!JmIRR{*>SVTR>M~^!@DHBB%S5eG@nZUOK$+g6n97wUw!GZZlGt!&4!q zTUNdYZCuWcj>BQ=c`zA4$=xq0Lp8vpR(laY;pubrkl`Rwq?0+u?>g$=Lfuyj5U!lB}>! zQMdZ+H{v7b-ud3~W|&?7cjn2?JP%5v+cXjCfUA~?d=vTsX~x+(r+58jZ8W7Yv!;w$ zgMG;n4&yN7M9zOAnWIgVf-=W#( zJ4^cYD@qBG@IjBm_t?i?ONc>TnZVH)8r6Tu;UNoE)E;YhfTGzZ?EG?OPaTPsdxiET)fjcw9C8*HzwN zsGqTnbM59i!qKi+lc~R85cj#c(Hqw0_^o`)6dS0yBjio{U&E(KLK1EJ8{c7ilBms_(ekyt@Y2mV66i=r3b=NZ~EV@UL zO3m2Jh_$#+=-hnm+I+djaXpJVFgmyJEYmtgUg(?1b{@n~C-$H^HGk*XyaF$T(vnom zDh~d$t){r-9OK+Mp9v3t0h06SZSMurX%8W0%wUofcl50Z{{wLe$H_WLmK!j~Y3 zzg?yZ2IfD*)&-1y^4dgYR9L6&`sC=HT|0v@Leus!bo|Ll&o};GrREKf~@2vC^uJ}iL&MY<~)g8!y+lvrI)HQEo zaxr^_u*M7DjI%FN28U2E2gPuH4{8iP#K6T`~lUL2ym zDcO2cgD~w`b;Sn);8O&?9T|JBH3&{6bl0MmW&j<|k#t<6i57PJ6sn3|QZ3U58$tOx-vDltvz= z*8<;?fJYyx1!wxeJ&V@0UG&-*ltAK7uitV$joUY&xul#`jaEsYU`qLy=|ta`wV%8q z)Q;l>5VdLlE#j|3(uFP8LKWZaEa}A4`2xqHSdE{8g=$x}65wqlX z7pY<7(fEA43Ud?I>`PiQ&O>m2q?26L~)9=?}(L7mU%~c4Y8(yxaaco z_n|41M&ZzTx*GD20Bqu8cW}RJ<&p>2MIGfP>dL3rR#YpK3$9^Rl$Y!&=_5^qE? zi*xmAwqdSa6BmXTciEnZmjOK2k1qSXDWR1$C=B}$h#PXO{>ePW^j~CnQe;_b&%d%hAOfYO`Aadwjwu4M#cjMf!PBONZV$3jKQ z;=5<6Alpxnp$WbNG^c?dgdP9TH_X*_tWl$f4a_H5X@v*!vBse6PU4}>-YsGGybXl? zKuDzR=0~T!0L-E-LA%o>&4F%(RnPHZky9t;xw-88Z3DeA&1x@c&OK#svw$4Bhr(MA zKVv=WH^2l9ysXKXG>}mH-6h*lr86)52`1TUe6QjAKD|3o72@=huXCTZgEnI!zL)KR zX(qg+CE%K=%7OLa1x^(8I{THR?!N~I=6-9{g{bQ=+ny;X1mq0rWcuX9{?=#>sfp_= zGnYs8w|@h_9s~p9ZZj`ny8Zu?BqS`Hv7FigVfFI>E)|-=yQOu5=U)Qe;fzwuBxKWW zwsp8S_E)*-2c2v?JvlISKhwKrKIvCUl=`cPvFNKc+Bf@J6ErdTUdV1gyT%=)NZ{~0 znAdi!MFD&sVBY<}xho*nVb(%8-CeE6F z$T_|v!AnkG{?J4Bdi(?E>0bq9|FDwD5efRN z=$D&TuN?iRetG+Th*jn*BrdT>Yo&`O=f8bTjSJ87Pzmor6GB!rf-6#e&T%pc@@|Ft z^KXRglMk17kpEDL~twz_peY_Om^&?*nlkok~uOxdUyz$+(yPgDho{ z5qdOp9u-^LAC{b1(OoxGKYvQ#5cfP5XDEgrN%7uCxL|@K3=? zupOWfx5Y5ET#Jcxe>VwWI|u@5N#(~L)p^2pZ9XfEk`;%w#K22w;RxnqVj)yl=5HKa&xBiim_2?NM1lL2+$u{OW%x1`6d4x{f$#VG-CC5h8oKzZ0NX#-|< zg(J@C_bT_m>r2^q>{`%@DzE-;B7tzKgVh8a84gO3At;?-QM5?BY>l&Nnaj_2S&s?H zaBHCBN)MUs&dwOMU<==`4Kb!g0sagPzX`sJcUIhqaOwvt4+sL;JoxuNzs zxvg>klt(|ouy;1%1MRK(T_0QlQH%;E^%AkFk?Ayl$`>a?6dt&jHLhnoA+hxR&9 zgc&GlQcPG469J3@%RtrG3R|9Wtt|B=)z=(U_vPY&ugUk}TFWL{S18@A;0L^cg8368 zknw^uD;Lv#+*qLLAZpkAH+Wtw&A~k<8Id^TOeKpq8hFc_wAYlF$YN$ zepqkpyg2Nnk~K=)!<2_&+42FLo|NvC>=(zav0=$Q4>Q|+X8g_1v$FSB|9*y13vlp6 z&R%b;et?du`yyzpqv_Sneb@(86Y2B#iqZ@>H%65KX}WX)JNXf9trJV1qD|;mGDE~+u{lF(L41nQ_cEKCsE36lmuBY zIf|&zSz4I3W_9;M|~H)6#Y*YX=MO*fksm>bcxsQuq%`%err~nPIU7Dulc# zc(%9T9J_}}afL29#h_zAW@S#!>W!gD)L_}mDdavy7yO7#yf0|WMExF-npPl>!eGC! z#SYITOsW*oWw)QzX!(9GDt)e76F~({1U*j#x>P@>27`3v4=%lS2~>9CUz%o!<3s$? z8UOp&_Gm1?UVLCQY;+bTr^g$6$p~B(4ys^wno9C%-#(FJ=yw}_U=$)AAKB}yMy>pG z&I|PG7Kki(C%DqYPMC~#Sr}r70V?dAi#0+_i}jZz%GK7?W^yUNCcK_FpA_@On#|TB#nvY`+a5k8zif>YaM8e^-8JNO$M4GY0J4vf zPyc`tC3S{!3k;f1ADP%8kVTG%WYiPajp$iGkLi>EQ@$sjU-uW`{uc-=80_IS4b<%@KFW~mZib=acgJY-P#XI71T-J9WHV> z^i*54i#%D}+lm81^5A`M>*BXfFZp!BoE&WL@t$@bk`_yi7Yf&|;=r=YIhU0Fh|N~@ zu12uTvGJPA2aydwWJ*8mzV_AK>RkW*+;sNFU6Ql7!r;Ssn$?zQyg+(>?jcN?7`bB|K zXAXBm1jJ#67RgiYZWX0F%ma2F-s2Z8U7Y%v^~1*=YOp#e) z0za9E?}Aw*v-10E$3NGT-}=gQrF}Ynh9P+_wQZx?enWIV!Z_$0LjOs7&8%)BpTZhFdaj^x=f~UBVG)2rw9W2``WIBDfIp#eA=Fx zS`mBWcuH=AV6n58t|lUfl25*)Vw=M;`YdqP<7aeD15!kD^{07Za2M-Zqbe^-10Q<= zu2xcHrSSt$yBhBZjtC|P%^ObI_{5e`Vc z`+1IMr(sc;{fIfWA}0yNsGprkn()Icw5D{bxt>9Rnd%{cx4C}E4ZLEWAT^IuQ>AXN zc;RD|uNEK)xa##~IVRm5TC&6LvM8uX+MbMS>1<)$pW5Dp*TGC;-fqD!#YV<7{;0%) z_qb`>jWXTZy{?1 z44M--WP`L3K#X3xz}8%d-1^Zc_20In%K6}iJkRN|Pf+%QH-C)*MXtxT4|C-iWl(^F zHa*(CQCfi7{~g~R0vM2k?Eek^!i=(V%xPM1xAc%Kk^zLn;T(|Bt zE*MIHttBe?n5;LJ3dA73TT-|8J}Sh6g9@)q1nGWuIp*^7u}=s~in!8my^V8!+!#u( ztuIAqlNybH1IOk=J&b)vTZBF@S5E{ZLYi*1u^PzWLO)O0;1y8>tqPztU?Or4Uj!^) zpH#C)X1#ibQodQ8eUF;-a;1P&^|w3G66U!_DYLZ^FkWB!u%6&`C$h#d#80iDJa8+| z(q$hmF6`I3Uqu!?oS=QL)EDz#f8%wW^h73S+**63k7E^M9ZyB>>r9^itF+bb$Jzn<-xgu26{qQ@-1KcQX1lIF{EGlju9z@nI@u;%o9u`w0S+iV4g9 z)m4O_@cPtwM%3<8&0KJt?athELeU_v8LOU0r)}Ff>^3TLzEc_?t4RrgcN(3~2!y;Y za^{=EdsifavRkwh`J>#D&AHFJ;Hmmavm(th(noiRL-=1p6dAzpPT?crQ6$)QM3EJ^ z&Uso^St|igNMJv$!sQv+H_-Vbn)ZuON9(HmjIycCD;TgxEB<>E-+qahu=cEwD88i9 zihl+A0Te3xZ`Z!M#bIxEbY!_W1F)Q+?xpFa%HQ1TutdN6O|7`o{ro^H!>q zVj%wo7pty1Kyf>k#p34p~(utsh?Z8TKp9weIBGl{!#jiPrI8CUC=f0`I&R3p*WDPLkk4EwlC6)(*>MxlrOvpYsF z97FJ@+kdKiE0W`X&9a+OFSXbBeI&ow zaX?fJWDyoNctQo|*7!Yd%ckK6ww>b!$h?Xbdwv|d{3tAaK0a4!#_Kpm@L=MxdpcO3 z3f!FG7QJoEpz|FC*SUGtT4!W@Jde`~NA2oMH5aKGZ^2P&6p0w16e2k6YL;ywJ?4mc zgniXP3@;L8WYiczQv{g=Dc1d~dS>5_#PWi1R_fF~okwiSqRKT(sYKYbPF1vBV%zp3 z3;I{lRbbyx;$df8ly;u#0ouS=;&fQmDGBOq?wjHN)O-TIYiPL%O15L9#K zd`E~7^f-QFZ}_c#e_#+o(oZ%(7~U-7lHAirJ9OFEZZ}rT6g#ITIzPVrBkaA2##@W5 zcJ}#x3}#V$^-yIi;tcCxr~IdfiN2kkgmF`4{#*ZWrwwCWNNH!OU8`DL*0H3{u0m64 zsMWA0trjC6PR9y^UVawZo_;m8BtXU}vz{B=*&15}{QyhohMQU1#UKT2qC=Pyrj=9@ zoo3(2p%>w_B?*tzmyb5x!Ikyo*4!9v@d&M#zChEvxrRBAs&LtoDFZrH6D$4AZe>G! z<#8Z>FSurW?L6d}vc(7@n07wJm@&Nt9d1axc3LBBrPb%mB+>0x_(~%c7QLmz>ph4!h??w-<9+ z98-W`E8)w3#pbBIvDN-|EBa{q6fhCupL#*WQH^|Fmmw5q2tpz1xHut(-r$ zTCmu7v>emK+UMjXEAx#IBCQ11OTb+_Q2T`*t58Q)OKxp-CSko<+wlRUcRqqn zs!rP}n!6$qD(Z$=-_S^PbXDCTJ-*nwZ%ul@s93Ep(=@dtwXqwntTDeOh8XsP$H9MD zPCZDTc_92|-dHu`jeF2-~8?I&lZ{ytwd3vzi`wk@~Ut@vvM z<5cUOB>ioJcHfGAY3GdZ(Bq2ZJ81#+rD6A)G|G!y#5QdDTVCO@R#}06vM*{s+qmwL zPYfF|sUBv(PhLL%bM-#&#L6Tb8K*(fGJ!;d|4jH4AR2Ih?Yz>k-WwAU3_>ru3DC+& z+XqeElKJvF@tvFmsv5x7`*zPau35MXuOD1^@|l%fKcmp?QF+*nEzY@yx< zr2|&(hB!L}A|$+iCRnxTx0xF4X0XE3}$=B z^T_^OC#q5X9Se|UdEufm`MpjGW=3wyUT4Uz@PtkrBrkGU{NZ?SDUsY zIqLhPAfZnO8Zp^cZu6!?t>wQ*-aUK8Kf-i@q;bhs<+h21814=|9<^G2|70?i1K4&| z*IH^DUY3y%-@40p_7d5gcaD2{C?v_Wa zuJk+I>H^siUT5G48?lwMDek~-iE>(>Z-gu)I@+*0@RV6U!_^zvL=gw|hkOnj@`gHH z=5VypRQdYi)(%iEOC`3XbFU4v2R8Ac1@_gtB{OwPJDn@$Ym*>GoAR@yEdvg6eRr@T z!xQEW5%vCSem1$qDuhMM=8t~L70p@_2*EyAFpBGPP{w1Am1o*dGzstTLsWBzq&$!q zS;jF*T=UYGObPtqtDWVF&7Vgh#Y$Fl%;X}A>JDa=pzw~)yk;i<%e?7sG^EXNj`McX z+^8{gJq$@iQpUdvIvMTFu5&~TVKk|R!wfzqJU$~olbx$OhWSAhsVxj=Yx<|ly2pQ@0;f8MhQEM=YJM}-a)x93j`&F9b?&Gxi_mOn_4 zmIT@QQOWRyzyH26#@a1*cad8AEj=8#MHV1!<7jl3rDXdR7?3}T(Qg4rhLEOP)8GF& z1EEg24}Nf>)GoxGKVuR;=|`ul&3pj~p{X@k8v`9-8>L~WeCOdAxq$@F@5OmH6fHEP zw1lMj>?xfZGu^9g4}N7|VY#YA-3CG?zJsW?RKe!iC_8vtZe!;PbfX-aMt&3;zYBC+ zCl?Ai`V>wsk==xo>=UE^%9F}7>n2v!F!v_>Ckuws_2XW=MFc!KyBo=0-i+=p+f?A_ z_HzEjG^h6ZZ#=z*S8~Whe~K*(t=bzsWk!FL=RB(Gn~+Ut5p~>_tmttVMVH*g0vEG> z%59s|Zql^!Rs100McT0VtNy-Y0$xS=HDA%W4JcVuT8k?YLMq-!Sc$@GR` zzBmGy3x$rEt{LR}ZzhWdE)D~b_oFT}q;sBxphwT{SSp^UUlajuen{a^WT++z#3)<{ z<=vX&E2)drU)gS^3gQFSZAhcpZJR6vmo=ure*(v?*xH0w=*LubCEnSklYdG-(bc#- zN?-+=eOlMMQq{(>H4Gd!yFknZ3M~BgHTRa-GhrGb|32kD>YIpTUr6&Ys}f1Ho|Q5o z4QeKhRI+ZZKKjxqw$?yD?%%%mGbrFlc6ZOY%8yY=9_eBPl2rwF)(+KF7qITIdD_pW z()R$wj+33OtewDjAZ`Drdo~X94EwTkXe(9E7U;rFS%qj5Q@_S$gu}aTOZq(Qo1$!T z>e~z+8+49de(G7(mQZq!gz|8xAhmQm+g){zto|912Q=d%NVK4Qu~QYXj>VhN@tvCU z{0aTpym|StJFe8(A^Z#fbo|Z}7|yc=i}O2MKWeGlT-`KaH5ICB6bl{!u3Op4qp{kg z$3Z)P1pRZXzE7w-BIatto^-~SQpAgppY^DLDq9I1K5(h)NZSk6N5+#?M>CwV_VsD^ z^J7MWX*S;b>Y4eenT|_~nK+V~7uutLN#MJ#rQ#L4{|*I{+xz@0NB@UI3WJI!@NL7F zIb^NC-yZxo3GX=%1hGE*XfYv393DPB7@V|@gnF#z7RzP-k*;X6%yw^8eRt@Gs+bFa zPSo?cIx2n|$IyZP4`Y{% zUW2}S`pvXCSz_!76$$i5K%^|tsyy~*_IJjMl_;CGkxVS}ahM`|oSb|mTJ8}ly3W-k zg`~k;bH%~?Ul+?$AdCx^doHV@4a#$_6M?qs&5Xsl<+f3Un*Ad-8ZcD~}37)JV zW~55`3%Z!mGRs&8g-tv!mQR{{Tvhc52U-7%^XQv{XDVgtDcMkeh<*0!KWrirU#_(9 z#l92>sd%oRl%PM=!nV{in|vXrxg}rnxb*a`@tnh-=5i(Xq261b3^pkYJ+iU8Jo~5N z$_-0K!6&7Mbs3cAj}Bvwr)8vFTdriB!dmgAth>1n4fH`X*8XI1 zF3;)v5OpC{DN5;x(FggK8mo;fO41%Ey5;kKl%6o4hNODm@$M4pcde?^v#pHz$W;M| z>@QHU*s=m+`^z^Ep5fAyjl>DmpTMPq+CjYP?(@5jkgu&lRdS(T)A^DzC=u4H6&s9& zf$uy_A_M#|2+thz2c&22Dx709$$6RJ4dWCP_t#rHOLkoab^7(V`Y_K2DrcK4yhra? zT|(RwMOks*C6whTsnHFQy>XE5{}E)<=f>q;PGbs9E~Y6|STi#4fY86XAm8MYBlnHU zTQ7lMsCMiXc4%31epG1DweH#Mp=`r7M%qt!JUs^JxbUMQG9x65V`deLnYY=-Sd!zw z3c+*ddk)v%BBKxkHW7rNyu zJ0zusBbmuO4Ha9rOLZrP+Wl%jw>o9+bf)v5zG4hQF4ZH^-bj1?ALdSOg7%=Ahy)jK zzt8x2c|BHaGG07I$d`y#vc;iY8X!IHf`HR1{zI7tlLdYE1XTDBOr`Ug_MRD2!NYe% zL>f@d9Fs2456TUc@{xV@5v0@=^$ZRAg;lW)bXQiFQ=KJnp}?MV$PYYPz32yTzmlVR zY^qH*ODH>a$=XmyA0~!1K%%16?jByeVS%Ue*3QdL_=g|xN(yh`)8n3IiC)fl`p!1sEK|5Z5UCRnv0JM#1u+=aeFv@% zAP} zfrze3UGC{2rG*FUX+Fyi#h==Zwx83|27p-LcEm)Aalqjd;imHg{g#pus5zP z=WWDBS%dLbNwEIH>|#H|QKFC$s9>R&(d_SSog>8&^O}Td;{qK&!ALWp6@te;R|a0E zLQQ0LGHeeYX*?VlauQ{-JUEWp6%IdyCinz<{!ooLxMA1FN}O{RLPTDLc2n1Vr8hCZ z#X8UC>)s(iru(wSffaUp4-AWqSl~Cff20;dwhPc8?TVk=lvP8CwWr4 z(iagHo>$A0f_npJmt@DyJveg_{HZ%2>x|;Rj2U3v0@fiQcP#R1bCZ}^>VBzDVcrPE zSPlsKwmpZD{aDO#DJSq_t7Fdn0q07*A-wZ#V9q&Blsw6Jwt0!;)5lsD7LQ;>J*hhD zD)y%Io|rb$uu4DU54W!T7zE<*&Usp1??2t2DR0|`eT)_Q(DSNmahN}=q01Ub2ib*J z$_^-OsKSkQ+|YH+E$Se$1&L_`8yLPaPEp>C@%4T()RjCEJi;ab+p^7?ASt#6xVkGi zyRGC}w9J}nF?{i6s?mVR5;_pL9@4SfJ|jVDX9M`0y4T_z31srU$>fa(#U`+08_}|; z62ka_+=RtlfuPZ^BnnfevuE}ZVmR`OCozHBD%Y)jUwGO%PjFJPy^S8re+~|)Qy)Zb zQhqzLOe6ob+!ZUB6wtRoDc2ykV?^srBRu0B@r2=0RaSuThd&y1>;1?3dc=UFb)Xs_2PF@)QTdpQqK2#XW- z4=T;~k6pWkY;0aoQu#VCCBTjv7uef7=CpaHrV!DbXNGSj$0muqSznV(y_%k^$;{G}?S+fign5PXEPUw>&TfA4jcZd`bI+nxv-3{f2(vS9C>3vP9WfDV$$1mAeO>NS&7MZ! z`O}f>+-Iot#hS;d1`fX1bD=4W{kvJ6r%vjMneU$BL#k{NIggZIbK88@Y97>tQHL0M z<1rqVfy**ig=2y}jPHeN-JNorW-U^CcG5On$9=qIhU#39LPXQ{ty`TgE$>5a#JPXk zO12bj7Yzk&-PKXnFu%}ncc|_OqD`CrZc`!3V1(!iq{j{j%(4Gui776>ZUf$r3ds5T zU#GITJ@Y`wH@8oj53=Kf4!Im|n+< zovAZa>1gh?67!9Ol`q<=edIsl#-%;UMZ-fbtfvtf?AuA`*beewgiy+WgiZVjp;rfinI@lv25= zYcp$@Fo#_Y5{PyTKSocfa?d&pifBJxS7LI)SsH}+15K+cLpHGqit-Q0C`+I5EQ3L z=tq*4nCWt@(bt}UhNfkn$e>5Y6HQR>+MS%8j~fU4Von!W{PV;)%Ny}K8OwK}V%x22 zhy*(M**|M}8#uq-2Wy(pc`w?hg?}wGv4yEboj>#EtrGg#kPy2X=BJp2zSx=&1+Ilr zxd}Y;w!c)MV~3kDcF&>FZs8s7Vg;K!eCjE}BU$JTqRbI0Evif_%YOqLCsy)<=p1E< z$ELudgY~f_S$1tBc`y{8i?J8Oy14K4E+jl!=qpWD1?4gJ{S1oNKigfk9ScCOT#p^F z$o{aC>i+SL1}ogVA)4h0-TA#+`cKwFd1nNU-jchx8S^7J^o8a+wLPf5czbP^VGgw| z{xB4K)~Kvp897dsZ*43iUSJeCRO;&%#C|oR1aiEC5IKbS*<$wrPhI>wUYn}=TPr2d zgp?XO26-Fen!U*X)VGYdN@C=STxk1N7k6fr6kckb_a!SWeLxX$uC>;c&6aIYMSS?W zF3nkCSD6rl!mBuiMnTeV;MNETVSF@WuerYM`B{`Bsvj6}cF zdP<$`CmDb0QkEVZYp1kln{>F{e7BR=eOpa0elw7Mbnyu6#27eZBTF1i=ibp4_KTbO za6`ZG0I6UN>j23UWSb^L>eJYo^Zsam^8-|%-W@eb#&-eH5=l{>+{eHY(ujliX+=X!`+C=jUt*E!n z+5vN2GzO{i z96If11sX0Sm*mif-WV%MFx8xK)}7zd2r{Dh7E2q(XfT1UR(YuAr(??&tuQOJHgdW} zytm*QNkZ-I(Jv3t^_EUo1{X@a|A@%p%XE9j%rlHhviqzu(Rj35Yj*dG{a&S8hIr#U zQ>^QU;6y#u6u4%56S<7@-`1*dIXb`yY1U>_CB9qE-xi~Q!%wNi%8v)X*=fe{=Xyp5 z0`|z7iSmpTGT2rMKtBRbOwEUmR>4|4=>>Ls>m%_Krs#N`qzu6CHh@1~NMy%wuiao3p`*XrD1tA` zyy*jh-tDoC=-;;D!VgM4(1u>~`r+HWiXvDth&;&%`HfA@HtgPo80M4HU$!$Rk*&#YhI9t}6o-mFUl5~0LysW&#|)l7}Icsn10 zqg~^BiT(q1xK>w71bzDW?MD0OCT#T0D-X0s{&}DU>I%u8l@p-78{5j{#gQ3Vn3){} ztybWMojbI*`5rC3A$VGs&e`2~dNgJ%4}Go?6d*yF3*or+JkA0XUdHXvvozEC+Ur;L z&Mqp4Ih$qmNaJC*v2gU86RJyJC?Pu-MH#qMIR%QGY=V2QDyL3&s@+rh#~?}CCjqAg zw(~cIx^|k(dnmc$%Pl;IC=dvf<)V}(@Q5zc5*}ypq1vBi$SL=p|A()SGy+WPnmx};DN~1; zbj6GKLZX2xc^%hIGxLs$%T|Y{GT8;X+b>ljUwA4+?nta~enJEB*Sr=jS}hMuyloWc z6l_Qu70UkW_#_aH_D75Q-5M^F^eF7ZYYin>uJ?~)4M*#?JbDrBOTW8-SP|?UOIbqw zSpsd!_to)BUJ9fZOa8266y&#wwH?br;yrt4o3%X6X{M}{F;hc^)cl==4L)Xawaj$Q zzUEF!`QI#kg%@&Ngg*ace!JV=`bWe}&)dgurtk{mrfw>eb_unudk^5jxv|mydHF1X?n!9TwP9Zv8t&(ThJWXfWWa(A|bNDYe%UqBiy zUJEtKvy+>cOKShf~7yIW0$c5l@6p``H-)`fm38%v38KJQTAkrXmlPn34npS+Q z5Pp+Eg!SzF?EEsR`vtS8809dA496DqtzJAP;_P z8!~yO8YkDhsX(q;P4mxL5Oc&>L7(Rc9BHf`v(<{7=?k?Rs+oQshUkh`tUl2X5Ji#M z+Y)on0w!PLRS@Lda}l!zB26`7eiQXPTCQ`XLe)Eb=E}V5XET=UZ?R|Wf1PnPB6Eqo z*eHi#ST)B&H{jf49>jdBXI|CO)eZ(LdG^l!R$X0{Ia19Xwf~-A+7ghFL>;E}s}`vk zv{~58b)ZJd-*_Yr-1gGTZ6~$!K#@?B2VdVXbhP2~l;m{dr(qublPlE9ug?#&dMx!= zHtmhc#`V$y19(Sad*%Ma4|4K@z=VJzTloZ2RrHd)J%|+3BalmKwuy)dn7aK&WITWCuK*6lmTxn_gveDq}@0o})z{rYR+ z)>_C;=xbqAbe&+WuSwQn<-WZZS?&3N^g={as%wZi-!FJPB3f-y-GzVphv(-)MdP8s zQXIqt@^hJ^pPGsIt)3hv%ETPvnbQ&uy@|V7G{cYtrRXI!u4B8j@}KOZVmtZS^E~2{ z6!UiXait>x`jsy}*`pbxgtbS>K<3E-nI`tspM*~jH@zIRJce!g+~FLm8w69{lmNBP zWt#%M9j)%I{(SU&)^JkJLlJ?j{fIRUC3Kg}E8J~N&%N}5M9@t-yAbGw&taH1O(Hm| zwZ+@wXP|1)MPkAbtxFEn>A<%h-WBopc%4tKT1!gP7f0_l+>YV2IdPSg0k~AYDNR1Y zW7T^R?_g#HDODXFFGU0FTSWWpYgDY@h4_8yi4y?3RW+!-JKT&Mq=#Z&^BHfq#3}+S zW6cg8)p8va$OBfQaEGXGuP?cD5s})f;3vB!;4ORx^fZHqx!{puZ7SCH=Egc}=-3B& zk5IYMa@p22PUH3boajSnHb;(KV*Rxc_$N-)LVM+l)&2S!6&lMHhlw7jmg_dz`z~P< z|Hb+b6M{vjT35in`Zp%seSdk6lsA4@?shXkAEjgMTeZwE+wh^j782{ebMu$Pt2&5p zz|R7XUqe~xq^|=bov_1)##e>~0AP&7_28=v0?AnQuV5UZJXEZYZzK5F2=Hj_rbeBz zkbkskVA^d(<;n|N!zhU7XK4|)=zXOOXj$`=SxfApB#=S5HZia8-zM1#|K)yk7z*J@ z;Z*~4X5+s-Me0OvG$5Q1-}l8Hrn=#bS%3#rC{w}|-Y zK}@xB{tSP~W8l*k*8jW)__>r~=8=8m8~NU^{hXrVd!6Xuqec0stV>Poue#E6|IqwV z#{RiYabco%5wpnP3ERGg&`#c>JSX6o<}Tw;ZNLFbzG9ZD#$?QePk`XkFBL&_D3 zP^$jHY@U_F2{iaFO)vW6N!rgHU?n+r(dhkhQaR974&7lC2(bz^l)1KEcqHBXaY z9GO@Q!k(dukFk^NLn@D%4!bMbocq)Y@M1?lAGLWdKY+V4_ zkS6k6m3F9CCA#tuvd;&b)Wzf(ts|W05ImH|JdjQ zl3v(#XOf=zEb0*M|A6+2Yd=~|j@>yO_#t0zB{e4KIymQdr9rsIm6EwT$eyVQnPVNF zk)71(%-nyc%X%<%L6-Kuc>Rdn$zmjYG;d~UPI+j4`B1MSR@hUz29e`&)~nnCk$|Yy zVko5#zX;1tj@Qzu`Lkc|79FBo9h}jRI+Gin|J70~KEyx4E>@?a{?KkB-E=9XJZr=0 z0q3C~@v>`WSBTb@t~aXPP*Cc-axG~}=4nXG^PS-fbT5ew_NOpQ;*d#KpW@wYg!)EIO_{gIvT z20VhU@S~0~2md?hSgyQaEg@smv6mRI~o5t;4jI3k&vhD{s4?ZGk>^g zm6l3=vX3-A8zHL>8w;tc^HUIEn}2I8F)0=6^jGyUUyA6geg*48G}e(B@TO!}X@Ip9 zja3^*xW37SK2xz{r203|=axprSFRhd2AYC3z70st&>Al&i9k$L7Z{l=I5zvI$Sbxy z|AFM&&d~6X`BDqfY41ESfxrAvIY+`T1@%1(Oo;-5hl+ju%uL@KAa=wt%)oy9bEQ7x zp!U?dVTqo*#NsS=^-L6qO7!rPMTrcCO-|C%X-lLShi(TW6RXX}= zK&<=?8Rhs|dCTfTFRwdHD*~>mE z_HjJSU=YNd?PY;!YYr@=x^w2-n2XxMrk08W#oieFk9|w^VnHZx)d4Tqp;Kwa)Ccuy zvXcY%I8qLr8^;$anoGF1XtgNv2OOkt6E4RnKhvpp|UY^782;}}G4^G$uMv3zH%WKWIyjlX2-e9h^i zz`ti5jqLE+M2YBt<+I4c7wS~&hEh$;?a3PfI>}^7oH*mK^`il@F~GHUmD`6oO)~{B zg`e*~ve#h9QmWju%$ErsoQnzoE1+1NvCCoGq;Weh!O&ME(DC@Iw&K9i5?^iX8q7^| zCkP$JU6m;$7Ec|7y_!34CE6nYP#59$b>$p&Y-;@Bhpp6*cOk{^et|bK0-i4tej6a3 zQ@#7E$5jo^_o0q{ua+G@_l7g8;#3~-3Fe|50le#Bv?!H+qhERE?9nGLhP9pD{CYi$ z?i}Z~mEU-|1{A9$VLq9qb1$Ix)ll6VFR44rS@)BP^u3$IXyypTq0s_9cBL2E77wdc z0M?(c@$I56w88d1OrH(@E3umpK9r}>$MoWqOiBpFh*}aof|Q%-HcG#qwp$QFdI;gL zedna_{>Ve^Q@btncI~IsERk;Sl(rPU>sHaT{DIah7HQKDz4W~AV^3KA_;5r5UYb5{ zW>2qT2Q|bvc6$GCYDeQ>q#KBW7h&sC>UtI>yB9X~ z)P;Vdzb~6BpAH|N9X#C0f)}s{C?BXfLGypKk(hw!c{wdSn%KJ3kae`P6X`z8uwgfD z+>KnUvs+W&cV8SEKSOWM3Ni8fIP>(p*h&k@JLpLV?_zMx7dd*%?4x0?U5NmJd9p8B z6wl}_wliT2H7f8hL;hgxXSOgr!6gT}20IEbZssvHz!RGnB^}8@=qa(ygDg(U?8ebm z=EsP9BGfC}KU+Y_B`3oLp^RFKL0Be}D8VmE{Iln*%GOIK37>54`?AAJ+}K(vbpIZcU20A9?H5EpqnvDU(PXePI_|n$cG`G>Hjcrp_|`_ZW9UDGV*Bc z3d_L+_N4MVPTve7#SZS+AW_l+$;;r;(1*Qt*UJmY-O8a`7b%$b zOWOVwT6aU}E(#W^y%9x#W~gq%XJPLG&i-KeM#ZSUR6I=l$Y}miCkVz9e@{T=F#n6{ zMnyh<+c)%v@CuLPY(10I1+&L!#_Y8Xy0+e}jLOojC>3N5XL)b>iyV*6MF6q7)!}=G zmeJ&pH1GZ|qmpd7npUGKoMOAy(2#Z?*-mc{Q|e)&5USiIZ9|jmwT81?3cM*p*4Xji z@HlEg;QjK6hjwcqFTyf5q`Fu6cwPf+b1FtHec?fQ{;!U|S3-^(TwG1b;u&3pS!(9# zee+%Hx~4ZY17#G}hubJU;_M`tE43fMHSsTwZ>gE1|Pnj zXDxJ#ZJU>Be2_=XE;CMRC{(CCwL=f<5pCv_{VTgy!DgynnM6rJZK;=d+}mDD36tCU zEApMY5AYIA_+c`%U#9S{Y-SNm1@eARiU6v|O@|~ws{LSoqpyLRA#&}=P6?rZIG3M+ z{LZO<=oJ>LsD!NqVa1$G8mNQ73d+b&GH^S=n#!Li0ERwN-#FKe>QMk5*`NhpIkY$T zZr-ny7`@?l8fM_Z|EGa5SUauxCwE4@(4oR`)g}a`cTXt7wTox-_n1YPVCcrah-~#6 zcz2!I>%^tzV`4mmI9?6U_0iolhm-1u!}1>I(v&pJB?={$UEMsA<0D$zfpQbyeS{Rk zp2%rk#Ih!|Cbxd-HUskc4SQ&74i)FtLXs0@J&=GSl?B2$X+tOEwQ=E^K$b)4*PQ8p{6`)f@jjt~{wF z%MsiUy)9te-O-s*p~YM?CmpFQ^0cgW&H+P{a+HrjbBlGZp83JK5lBgzz(cIMbVuDw zP7$@okUF4&Xe7)VvL4wudBQW)!F|s>k2c*8KT45&<5&%Kb~{2iDE(YCKp<1i^PAIi zC$q}uwV(R-#QB$bv=@3lwc<&R1YKooJ-{_p6XCY-q0x@YyA3j5`}cjfjE=uPa}3B6 z*zCZv&P>V$4&*e}L3DOEB}naR!_2->gW>6fz48PMIL89IDKAu-7r%FQ7yX3oSZh#4 zwm+(t%^eC!h-i%XkGguuBtgq1^m#Le zpGro@#egh0aL_vy78n2|44ynE`AfVvg=GvI$q&^!rG-SorC&n4&7qJ6>D;zrvv{g` z$G;`_b;6eF*|pVM^4jE&ccx7^Uut?64R&hX!rk5ZiL#0T-yW2r>?=0$6grJ|4w1J2 z*OFQ29ja9>^P_mKlDNHdz<`p+oxdfc-gW-oH!BPL+ri0v88onO^~Vf_;3a=b#VdAH zI^QuLZbhh6+v4cPu~J2uDm@rE_fK6G}x ztQ68NF+LjeZA#7(}#vepa=y>W*euMAMO?nKq?a6DYToF=C)eRvdVO4YAg?VLdYH z`=^KyD{vF_k0yu`j%!}uPSV=ylLU0s9w&oB)+3g+e0->JogQK*<_#9M%Q4LLtW9p{ z$Ew#__6vuJ=-ky!h|I@jx5@uvJI7=XZA&fBFMtxA5j>St8M!Vr*EOy6oU=U%tfse| z>Z#Cn7`Pg85gtLoCsPp;`z3zwNNcGWT(2UdAg0|~ zME>X5e611Mj&|Pm)5m;E!EvSm@Hf?U$fZn9fO3ex#f)2h;yw7}^bTV|Jd;^8@cV-A zlZA%6R!R?duQ1wgup2FWHMv@*Mi1gWA1Uf`Nj?PNbPs5wj|AOOQ6pY?f2iLcN3tSF?*lb$E!BP9I5w` za@BS;&$?;#icvdC=P!b}ZIA~=7{pFkrqFzTt6{Bs8ClGR7411%7lN@eZSnF;m(Yfw zA$4*uso}(DO7;icPnI2ElYw$=t`(z8P#BA|$&*`R#8gAlcCY0Hi`F(Mk$G7PYZG=C zt=bvP9ADvC#B5rR)P`Rfe-j7gp6%F`^<3cr;cbH_f+{oG9GAk;P{BB3DgdPV*|>69 zOfP~0O{Cmle@J(r%sU+#G#1y+UeTR33Kgq8i`MI0Vy|K^g;h_x3>&g<*Gcn~FRN08 zmv8?<7y}!psYUruq|9WqJyUx~InJ-&HnW0pYF-axdzb7VvS9!;dtXs+)iHk0a2`5xYo35 z>_E0nclVMp_8^x-t&7G*XcAJOcsbDP}20)_eWu3qy*==`73{ja_Gf+b~<(nqRd^w5Qb&zF*%P0#rxVL2kFv# z9IFpaI)Jx||4AjECPP-c(l)CQ~|+%vTld zIPH2(vW>fKnl4lR92 zu!4SoHOO_hHqEByVtHw^L*AJyYe?TkIZ_}Z@O({@%0kV*ay2-pJ^pLW6QLa?72+$b+UWM# zc`=6HjO{)g>dJBRn*nSM$$`H&O{+>mG0Nq3&Ms&>q`K z%tks3uw3kRzP-;54G5D_5B5-~yWqS_R%0C7^%xlVCd>Ztza_jq(RR7aJ{1N&RpeVx zsOb;{jASS%iDea9N8}44-(_%?v5FAR6b-c3!936YkRK{VY#|#C*qF7b%TdEhF7(^m zQAevMNHSErOWj?+CF=7PWYhRoeJ^DWrLFweqc9uJ{HFkJ2#d95n9%;JAyN1s$V8M} zB;#?8w?0ml85=(2f85;!%?-ohteyQbHg#2>Yrgl`#2%c*`maZk#Fdf^Fr}04LQ;^= zfqrMx$!Moe>8xco)-J@>RXb9)W;I~JYQPZC{A0i~Tl3RH(_AoxV6?LYC(Ehjm-LGe= z4^kqR*-rA8y=mRIsIqNMFr4~kwitAA87SRfpV`4Hl2FqDSwSdm9tZ$z?Dn-y+ji^j zhx`}2T6=hLTis`EFFH<4@QRVtvg3r#=V5DFeoL=ym`jv5=b@-X-U0!=L#%ms3UHbj zENf2x3nzqcAN}5#e*y%!GI_ziEuCK*zs{^5*L=M(-MTU>7PLZkR^x4tI(!u#Eby1X z@8m?g8`^Tcy5t!CKX?fGirWG>qQa5OidFA?=~N9;*q8?RduZ?z9uKc zMV8XI{SH|@{$)^5hY>{jQ%}-~;h(WY;aD0hP?~T#L{@WT@zRRLWOi-k^)I$0+Ws!{ zytWyZhm+L-B$I|H6;OlyY5LpXB8n@A86rh9m3UQzOXKXL7c_6;Gmna)SVG@HiE|#m_A^c6SX2j;HtdvW z>P^O47}*EOY~RT0X*3My0C;%=!?jR&u#5T z?w%qD)&-H;l6`q)AYD!)hIf&DUBdsq=tRBOSI{chXAF6Al@fI@us7i2k-d2g>1jb~ z88;dr!S$ECf08p^%t514^?AU#7RQ z8aeZR998gBO?YKZUI8ncY0$7~1R!2%Lj0&vhJ0jiC}jR@EKN+Z3efGu@;!?0GdmL7 z>@S+)I>oy8;4-OdTzlgqGpBq5F}(rvd%@IDK1H+~)b#DwNgaO2Z;qxPLsXk;T1$Qn zo|T3}-O6UhFgzwUWtCH^htx<7jOaMaM9f!AX2r1;*3ctdZb5c&e59S7sz8b_|0+Dek)vDBP2!!nw}~TZ9nrNBm2hPGnU(<$dQf zfS3*CSGfe8nmG9ZUBmCuPnzTigX8p3XLqJ+t!^VcuB2~uiNZDCxRYiXva|7e?$Tk~ z$`W2xM5Ux~&$Z!n3DJw5N&%P%fc%Qo3y09=B7)p0)HeNu<++Wdl7+L=HtdM^>;B zGH41XmDY0V#Hid7BpT^L;XKr)X1I=g=l<79)b1f;;2_4gzaTK=3#JlNXTuoBO4B0R z2Fc~HE==wGX$)sqXPt7v6+>{BXKdW*`?>7*rdHpH%vgvH{y6&7quU@F zc&;}*+oM9XoENWrm?@#7I7HpCa;q2#@F1Z&8Y?K0xYWbn!llYlZ2ra`AGfICfYSl! zX`0eMaCGlYrv9d(_TCiw_N&fG*3=7SyM_06*9`i&)l1rAt4bv#Y)%O-GRq3N@NA!S zyE(6Ov)}1-#MKGYJT```8Zna)$Dh%qi9-mk$b&D{58^2TnPH<|@M#|MmU?yfL39YW zs)bmtr3B)A^pET>hr+mFXg7_LMEWu%?=aKt2>>w8v+Xcrw-!Ck;8m*wsENVpuEuZj z-1K27<&q!Xs^o-l6w)jgsie#)n$Zg|68)fUkmGi@TB=Y2XH;W6e3ZNrO)NnP1Va9X z^wcd0KgVeFt}WtaDn+70j)BIUPK{}fp=BNGuY4?T!T%%@Bti14>a6q6nLcx5aI`IU z9+YeR{rF$+958NNWmQle&y7u18ZMcP4yQ^&q$|()H8C~Rc;vqb`8Y<&(q_0Z@bf49 zU}U8oT?AsCO|{G^{>ej(Sn6!Q?<2sFP%m3oelJYBS6%*ZQ%z9zjN=2Klbj%U;9MM( z=aGhdK$*HFaApG(=&=O_%cxz$J$862!oKPqE1H9A8!k#ypigaUCDJZF4YMO^vXwMF zVe1AHA*<+ZO1iV!UW7ATObkkU>2_t-Y-WZW>#Mh`OJ-sxgsvdLTzmZcW6msD?T6o6 z{^k*Pf-MU-hx)_nV?AT*Eo_~*tcLD_WyZ3@Mn&l%sM^;N4+Lq{-XnF`IiTrw*`3aq z-ny*QI%5Jawlp3i%x5yS#X>yed89>>1#41*oN|M2On#*t!UT-((9>8cSZ9pBBQGi? za$I}qaovG5MQ`ncztcVrtq~k%*T^Bsf*wyD%p@54F4tn8uD+N0BXr$->^qWPd&znC zyYeG?j+Eu!E3<$fBoPX}@Q4rbvHCZj8_%$&*HqgKWm27*GSqYkjx0yISIhS42~B_KuuJFFs$1w5VWwihszs(bNZ&+tHBE;)m z?>fK+E5E-PDJH7G4>onbqRJ^v;qm)N6V^4;|N6^=BdSOnXxVqDbL=AcejSftFjYN! z*JyvNh1&PbqJ3iOcnk1kenqXNB7f-P4oNJ00|ywnG!LA4IV#XynB_M9b|+E-cU;ZZK_m`7F~PfEJ`dO)1xHkv0sO_5P6)&RcO{O2FY!nA=e5`b2PY$+_sYvCoCq(V5r)2vJT}C2aU<?b>Xlw-#&NT({}thQT^~L|42+3h|25?V47$AnklpcUC!}RU8xWArScW zsdfz4riwCL8S15AzZP*=y$=}$Fux>+6CE6XOim~#Lkr|T8vk6=)Z2UlmP!`JHQ?SF zt>&oieWl)ssd-o-Hyj%d7*!$R`+gl{W9rsc(BdY=d!7lKE;$KYUZkO+Pz2%j$dV6)GDmi>zSXsMVZk`+J`EE@w2zVCnI^2AeJy9GFeGTVHI%@i# z?x^6BoAHs2zsWOK%j}A?qp5_Cbp8d zBnT$x;|`BJCz8J+XUBeJBfhO`GOVW!tZ_;+D$p9zNwO#xZvIm?(sv@undNFLXdTG9 zG;x`3f14tJsv1-BSg9#~{a&@xrb6sM2*w*aX#(Bbgy7b>Z@ zd!?H>lj1KIe6TQqw&lEZ5FF2>rr)a;%jTeo;+x-VtQt|$){|dDRYHz`M4k&~dNvq5 z2Wuj5R3Rwzl@S;D?d|tgXp!Biq`15xM-g2}A>Cm&{lHb^0WP2dCxF(yH`)TvoH@I5 zU*kSf!P>qPgicZ~S}%XW7LC3g_OQ39j4FYeef6j|lPW@VpL*9)rIgw8BE|&LgSMg- zA>FRp?)g8OVDDf*TsN5aIZ220PCGVXUAlf0s&ja?_(81hJ2ai>^h&c1ugnc{lm@vv z!=;D4iAUDxXkU%WLHuabkC1PD+>9D1+Lu^PQ02vJT>K;JfeS|0&$WBzguWd~@>>P*P0xhJb_SjrIH8-ydl_s&4>`YPr@eV|07p z8Em)BuV|`uWo|H!?X&@{)~3$U6Rx5+lelb>>q44)Tl7!xhqr@2rrzbAe|=>dXq;=w z$bgJ~r_%<2?bRzm$?CyZ;G1w{;Dq#O&Ns~6rtKK zuJ~B!tyVwrTHAYMc=Ki#xGOAd%Ef}9=eq$DH5dZj8%=mci!ZK!TK`cl5*;x|4;N_@ z40Ob@rjSN{aw0`oAS|GA1XkU=y?&JN9xxjDfi)iFN-KZ+qVnhs$3;+H?CsZL z*l2CvKPTTGZRYmILMB}Ce#e&C<(d82*2mZE*^cG7iiPVIG*87_6EbCc|A_e zyi8CPL8S*3D*SnU>*B8LVx)pehbQ|Mg|xi^0}J+99x@h(;{qk!2VKzKjvZ4ACk(mP z711ngLLG!OZT?MsiLJv@C&;z^m!}G<#MyvKs8>-tzJ96l&}`}yUf_KWPcf(#b_0I& zzj31!4#=<^!-_YfzvYTa-4bVecC)1e5}h~f6b>rQyYm)xM?IdD4*1zvP;p%xtl~H( zaB7|d^a=^8rKYDhEj9=&<>k_J8!KU_bFT@dxnZ5I&e5N?=Tf6W_Ckr8{~gA7-(w8p zuLp;c7D_ENUoV*de|lfkl0X5ECM9TH&v`uiFoG4UHe1?g?sJ}*)Ko$9hWZS_{%EMN zMv3!uO_%{MUO|IUeZ6k=LCu<;GO{AcG_ZHxdb6n5f9GCK;;_rzz28pP*3k0)a20;& zSFiZV`Cn5^`%BL6oV*;HoxE(CycGI9L`Km(fuCQ@#U^rep13?12Y=g2V9HHlBfUvN zRTgRF+F&)<>y77{LLb%NO$8V=ep$CimlKGpB-tgQgMZfz8**j(7M9?~fOjFhy5IZn zt#0=u(=Ak5_~vIh%_dMH<>!{EcYrS|QWk4=CDpD&`#i5X0-1JgvX;V8d(SIN{+H=C zO1KGs2G^v%uKTtXb%^s$IQ@J;&hOxw=KX`B3!c3gC?PnNq!2hKhXQL)^b~~ z6#<-!$c>oLb71(5og4wVTF^{pl84b=rcDebMm?5}SgLatm~#4<^g9P3># zIvxV-*Ith3IZq5X+4;&7&4rYn(Y^4$Efw)iml413+LbHT8sm`!MtVOZl7V3u*(o{T z?I8}5lL!yM|AI)nqeyvVol%{7>5iHY$B)h~7rtD*K32DWZw_SlEP|1#_vZrXEaEyQ z!$-!>h5O{V=tX}VT*w^c+uTN<=}Q4>68oP{CN;Y3f7~~(rlN@K%mj7!^EM9rfR5GA zZy5`AzTT+q+LOwI;7*X!X5a*_NDC`oBV^9~*!NE|l$K{$)%9k6JG5KFH+LRKR0rtprX1RD zBLVU^HLSQRj%$?4>egO+WWOd#8nIkPhrx`LNlG6N#$vBd!bIEaPSs=QtIJV`ntzsO zN1mZ4uoXPU=S1xW$N>T-4?-~Zw?SjHtcc}+#nc?(;m#Rm;hbsEJ8FjAjpU4HM}t{L zG_H;WQ@{LA(weRo`w3x=rN&HC?amg|fF8^^ocW$}9(Qf4mVlcg9_((YZp8eJtW)*M zi}h99VEk|J0)m?vd?qtp3gu7{pg*4iO8fUOIdfUkl!oh?Ze& zM!j$t^DO*4d{5M2jT$4rk znAJD_!cQ#WTR@fHd#hp(^GdR$oZWvnP@urAnKkSBB&b%DR4@^LizD|;=SFTYBfXW@)xrCtUqxMJsB<=-#_41{4!V}l@^}II86x~ zy>NVO(`iI%cOsc-3GodwaUIGZMF`L6G$z!t)e0Q@iZ!9sy#>9~_+Ey64P$EZ?VxNT z@=O!&>jw=w(uUOi{J0SV)S`X;#M9w9C(C8=zSbQ7FR*98#O%C3LC?0tssfuN2DGKL z&SajRryR<9SLQ2CaL%bY`(pcO?S$eI(H|~ndWs)vR7GV>SFU#@RHdKne9Sih|COqZ z3;`5w?3G;-@rT)4&F}r0Sr00-m(IFXY`_8|KrOG@Y|-Ydx(?iCZ|&%y*lClR6^s2R zesSNlm}2OfiMCH%MnQsmclT;uBz~K+3VA&i8uoT$adht`RtJf);?2|CvY@B5m9sFj zp`&lYr_L4JR~#Tud6q`#Ge#}Tq5Ur6)qFRPxY`7eY+K1K;dIMo>8F$hLdgr(VAN3I2l6 zWvo&0;fmUTSu%7r<@8*a(*AQzqlQ1=7vAIUSAQuN;*55bHbZ2C9w$42Y*iD>y!0!g z=DP8Pay1frKF8=Qah6|AE4$V>c{z4-Rr6(V$<}9yz1=Hnj&-(jXZD{Ajd9&+oTrzj z=jFX5#SKaM>j{;yqKvP#gS{!j*eQVKm~UEc;yQvIo96n6x16xM4s7UV^|uY9{@m#) zbPl>6o!*%F?*dJCsolt+8gCoKfy2Dzh70kYpdnxb-nI=&AfDv)kR0s$3@J11#lr z@X%|Y@x3Is-2u?3u1Br#Q|}r!-2hrPC|=JHA3=N_mS9et5Iy0$(aZyyg;DsEUFmsb za}4(R<+mGk`{)3eDfe+?=!r1SC>d8un;pO1PG6Gd+3H0Jm#rx-1Fs4NEciBEHbT%2 zpHj3YLI(<|`PSct&R^lkjEXa0pSMzXf^}*UDm<^tSDo&xozI7q?}|?|8TrPTIt5nC z*q5!>Pdl*>LSppR|yN}B0#%WdIKMy#9qDt6M(iN-GSD8H2ZAfFL1~PLr$Wu)LNZP zUY^1!fOYp&^D;K<;n@$$;xATrTkngmKtX_;5yPmA{=;Ed7EOM#eK0^iV9Jr;)wVSZ zN(fZNe~(|EJ(oPuuR}Tocz>iTY;vI!wk6nncOvz39@^Gfv!0J63OOp6#DdsS0`ES; z>NkIVo8iujAkF7*T-M!Sn6Vae+sTy9p_jD#cI?X%Bkb#c)&*-dl^S#8)`a;RB-9M) z|7*TV9DlojHgN(mU(LUk^)EJ!6q~rDZ%J%Y_EzHao}cLL?6s%)=ba3f)sk315J*%G zWU~^=o8ofQDE{=HzS|nH8-`mQfn>!fWyMEXW**AopOU}TpFL~F?jdybEKm0%17%%H z@r{4Z+IU%(CZ$ysioE=RT?Uz?4=ZnfA z@i(Y81_V{KgeC*))l~vj_4T?2u~oBXyvrYfIQcDqfe4Qx{b~_564sy7T3w z^wlFDZ7J{-6EP~LTBSZEi=Z@HN(^<(W;Ta&GE_-RJN2Za;=M`&Y!D#<;5wl}1wM05S(1c$^ktrd8zB~NT#WPh z0;G?keK%``kqsW^btWP5Fuxh_+G7E`?3I3k#vO_TOh!<7N4KcK0}P1`|K z-0v?5BGuZ4=SU?NZ^chS0RK$+_m&*YQs$V*`j0iYr4@6SYP(JJ!1|yi$xP_ocQbeE znm=u{=?2!G+mVlwwz+c3?b|B;xE55+@Dq&4C6<{O#KKp{Xh9BqVCOZPGQP72;!v#A z+I%Bqax~(u2%&NK*c9kxdoq&OFcOt$jW#$2$!U2%nA8kr%>w}#VwX#$)Sg!pX@sr9 z6a6OKkZ?JyW@)ga^A*K204a@_u&Va`eBKrM^|W6LTyy#F>(p(EepbI~ZH|;%%APUh z{&s|4Q*F+9b{w$Baly!`QxHzP#aY045|%YvZF}}cRVS<7$E&ToEJA-fK__Kozb*7O zP;ak!RyXVda!1&=qZG)B$k3}82=w5eoVHHk{eVcIPLQxPu*llcmL}FwxBu-%9!;RN(TAjp&vVAz;<+ zeZWWGngOqsubB+fF+=o)OY`+e4l}2D_Y3em&ML6IX*?l8zNhutnUKnA(hj?q^{Pc( zKNm~1Gb18JOAnE>YYZOb7p^X1^^4(^3|)rL={PIr#;5!xOY>tz8H8*9Kl?pj z0C2GXB~xtW*#lM>W~!#IwRXkj;F7OtcxOHP2usx<*A!(wOwOPEtP8NH?EhvhfAApt z>+?0mwxw7BE(2$(T@CRGkJ4|t}-+{L}JF)TFCU+Z(b}uLPBh}nQQoJ=gLC=Nb zCOMB4?!cgxdftL|BtCCa3b25~raZYaZxcW+C_LA3mUSj5Js9SaU3=aeN5g9=&d?uJ zool`siiMtQXubtd0{Ml6!}BQ%VoGaZm^rEHHsw?TZ&{8wzI{rxU6h4r)Uwms|SP8?mKRNM|8 z5(s#Oi#f14WM?-<&sWmb$u#*NtL?p~9ba);2n+A)+(+>HSNWP`h6TW@Qu@C;M$3~F z1Swikg$SrAJb{urrXttUl?56KJ>MCfZ<++EsjAz)9WO^|xK5sBbfI@A-t1)Ya1rWG z4r(|}X3MLRzh>engy)i5INfO7#-M??zJ&)_d z#=TrsdRz7krCUREn;hQXWPm`W)$1&~xyi4)mVfH<^UQhzWw7) zYtpB}^x&_Hi!ED`QA|wr6B7A*`&8p=s^VzYeyHr~R#9ora_)+9KPbulN}OiP0r=4= z6-4j{$J$3xFYa@gsbFsTgO<9;7W>fM>UL^E9~(|B>u-5F^7U7!cXkAH&2*_)-A#0R z7Pyaa=UOP@971F%mCDO982Is}CJp*Rwzu^4ih0G;=>nC?^0qnveqsn|hj=)VU#8uE zX7d~9UehC@iLH24`V+{58p{$yt&R?%ylynz$lbnPjxhB#GxkJgOeJ84%EFej4T}P*CQI&UdlmoE#osAu9=beN z^Mz^r+h^_SRQvo9G=)N+R4RUShlggvoyyZ6EnV1_5c9w9e_+l0j;Litn%`x-@W|wb zDQ&S&b8>b>%mHSeXV*k%zcjDxs;DXCt>q;e?>bi({_De~Swave02@r`P&q-{9b|s` zF`%$D%^)X&ghnQm2NdSY`K9KiW93QS>{-?aiwC!{UXv+156AWW%~C=MxWhm7GyQI$ zuK?!i+S2hF?i4>`Mr~kVkl-R8sa~pR#e?nQ?cgKuQ5s)&pXhD129v2(3^pntQ&d|z zs-}Xn(9w7yt`;SamKHXtd@@@)4>G@M6=XY_3Z({ENpOyQB_~0b{?d+aKGS+Zu$EpC zqY;Ewzg81S*ib5}cz#nMq)_I~jJ^FCJbu9zU#+~jcQV#iSrI;wq98xK8nmx6tz`?@4Ba;5@mMPAZ5RX zbmOET$)2lNIl2Y-;xkJ5UL+EwQaUIeQ!fr1z^itVzb5OokX809Ox>iuymBV5mXfcd zQJBTi>p~6BhF9yi<>G5H1CYxVlwP-#gu^^qS``07cMX_o-(PHqx%U4`)eZQm_%JMK zrEx=!3wUdPd}<#eqT(hNDvK;>e2>l3AY7`(v+pys8og~UIDPcUt8V_Jy-|J!X)pCq zD#uMyJEJ$Y492sk$GxP~R@kxf{n#-@N^z9J+E1}jx}@}s>TZ`e#b zD$_}Jy0+NNC$L&SwiTdrLube>jdngdx)-(13^GI(wGzJ7Ci`|(Ner^R?^2L5zB0)p zx#+sU6uHsj;AlwgT2heaYULy{&k$EtI;bDwWVZU3MY0%v1Wb1%9}%@u7T(XR6}7|1 zj1v7h)WZ3lF=$DH1a9_3;2Pmf-bV#tbzna)6~b4Nh|jGFVTyZ5tabV7+eaG#CxN;+ zJDp<$zU~uCF8JIrkqcH*?17V7h4AS>8=t9zgJ(p$mv(RxKa_Ddmm#2_#Tzka`tDg? zj&F6aLdFhNguEKVGFg6@lkK)aEyu?DPgj_WZxyqkdGjN)e=kvyK zt=vA&&p2o4v2CsVnU_8I&mBMFaYhWA9a_NDIsz1}>s`Z@Br(9O2dkQMa}4|TLyLk~ z@b01kFG}V$ELXpmEB_wUN-x}O|2aM-SA-ZrJ4B+K2Yan^Qxl>Ce05kt{bu{tu?b_ zBR$XWzSDVuBEfq^RemX&z;5`=E|O`$vWB5#!KxZP54;M(?!hR#^pj3`duUip(qXP# zhe+KA_c15IPchFiwY$kX9U|GAvHL#WR5_XBvpQ1zp1!_tq0SOF7rnER@GzWE+e3Wi zvUODF>6t=uX6aI#-du6BT(^>k7R*r!)4V*Xmdv8Wgm&x}{&om7W$~57jf{jTC*Mc+ zUyy&qsb?76_^7Z_lc2Ta>LVRfskpn=I^ViGS`aT7T^*00wbqwC)5D z_KsA1lIG zpOvk-ws!s1Y=v>-fbXfZ;$`iJzsKh#RqC~txykB5n0T zfqoJwGxpg8o}Q2&^bH_$}DjhSpAmoWC#pV*TQ5l4LFyc!&d z?jiZ`MZQpj6m6`+9Zj@IMSPkXChPlATT5k93&(m)o*15IyPoNtLTk=?7;I2CKtOJ{ zb-6o6a4;pruSXId5bk%Xu5^uIr4)$L>!Zo(RR(@(7H)o4=_p^NA+@#7*uO`o_9-Hd zSiLm59~v_8a}fe_&2KbJyrz2V$U2(_s<6q+q78K;VL5XnYx@RVC=X??urFz$&LkUq z7uK1gMh^6Taf(&{*4I}!X6SpKiBZ?ZH1N--lHMagUimuS4SB|0g{!Mofm=VN829Xc zzY}L$ZK3jkYkK(wr(ws)O%Bgj9q=>LO3U%h@S?h}X}P~Z&-(_<#p^|n!9Dav+h^sH zk!W~_v{U#ZV6o&c{l0^ka@d*6_0gN_qb%nYKW`&yMt@aUgdSE~E`*|F6HJ~`JzqZN za1|F9u4o&~)f$8IRTH}0(KkY*XM8}lU+@SCo6dj*Uejb z_YxXXhQ$abfU8IkSXZMq{jo79kNi4W_NOy#^{XX-#Oh>! zb=rPZX6cOd?b$Tm5je?j-ng&1V3|#kIpm>^s14^JcP@lp=_M384S0*aGg<4th5M%J z4J?9R#3)J?h}1%m1+Amba&C$V7}M73ymC=BD&*u&e-@DzD7@+ocu!XV#+&R`dp9U( zU;COP^Udcsv=l}S`bqjY?khb`a-9-1_NiD_vlV=v9x69{kdMTHsJKyss_}iS6beGf@jA>YTE$U(f2Nc8R>Sw)p~;{MRi^UKc>|haAy06PYJ4bcL#5BkZ{FOiUC zUaPaB8Q@l)J;&mP<__<%t$#6?`}Ep@lA~h=M~8R^W9N2e^p7OSlJGF~Y{@q+%?p-j ztK92T+Bwrn)?Cgyv?Y<*j?en))g0`w(X*Y$ws`33^(C&5cgXgToldr`ogl|xGmL?$ zbW(`!4O|Y&)YXwNs3jMAJ}k>!^Y0%3faHo$i$*JXjUFSenPW617M>gq`gXk_#jNo> zKn87&6WRZh7x8UceG_M#h}^1Zg(v+*J}m4-3n12D(^^_ipHJTKI}A|OLUb0ngAtzP z@xOGP<6CIHXZ(&U^egQDyb~85$F)%6punwK_5N$~r?zbOnbc>?#y|W}jO15r=dc3(u{cN>MO^1bDaSo|U^gWYP_#^elD0>LsRrXG<-wS|`+BO!`k3l*Y>f=Uo(!;J0LaebH zcZgfPG^i-Q$7DmVKNISVv`4NgEO6Dyw1Jrvhn+UXo4^&|9=A<3XYCF#qctIXUqH+E zn9~d4)U(QBw}~I9aI9wKmJMyb^IU3+j>5(5qY^8S$7_``trf&(DLJMP(wu&;6(+bW z6`|riC=xIiqrJtxf9Q$)5_?Bwsj&PIQM+f@KhIBK2UY6Cu`Y)-bxD;-nc#afPaNwul1%tM@eSuy!10tn5@g_cBYab^)YcX*-hJS z7drdC$+_pD-ViO3vIeDd^!FcR_gne}9g)I@7M|@X#+??Y6zgp}xeWm12>aZTFro}G zV>QTdKHUwVrrVAEh9Y_*@;gO-6zBii<9>wc^)MNcz>F$)LTmraSn8Eg zJ@g&-d*jHdVK^C4PnNKjf@rRa`{%_{B?|?vDl^uRRs~YZ5@UYJ;!$K4>sT^4-Ef_z6r|`u3M{zeyCp4 z+o&`SVKYsv%F1-&!l*R3?Zk}Ur?cb7Y_j{FBh47bwAwap>mckPHm6UgMt#RYr9~a ziydc_EX`np9oz8|0l^3mz&~WZ zGxhASFn7`%H(~oN_8`VCEiInY7zKW<+gX4g5g#2Hq&RCUb(vNt$pjv5>eb5i<7FHF>)Fq~>q4eh`kmI<@s` zWrD&z9oj`hbVNL*h#u$m++=@S-2Nq;V0|V%tAp~{I%YO@3q2)8N^reax+z)5{3^Z8 zABAo?v!(0b|2a86bQ@-AKAYO!GUfl>n6l;RPGIFopndxN?o%JBA|I+aW0e!8{JW~1 zmc8VOgF>F-i&9Zjha9>8)3GfTXSEGkGmD1KltHcAD+;ir$>*N!Yv@s z_($r1QnerXsLh+i(`gfBGatVaB1fWD#)blge_~l-zIgsX`ub*wcz|Ot15+AWXuoGU zWs{VDvzLKtm8RjMHS|CSFu+^@s z%6CSk7TAGK+{SE7_tR4zDyKG{;jLfYho{zxv3^Pikl!eM^W&#QXZy7IiLXA1!d8x- za!_N2wuzAa&Ib^DeAgY~M4pKJ_WDdezT~LDzuK^qwb7*>{=O7}9R;u?IV=h24P4hu zq*%mr%7%t_hI?QJqq%1b$jn^ocbVp!Zy?ok=2gBskRGN739Ml9p~sRzlQVUgn|c?blST*2&(C@^|$^RpGrqP;H%@;M)q zgt_r^fvihOx>;9x<;if1ZeOzafRHog<#+#|7)f?#Ngcw3<~FZJ@;}C@o;$Y{iOoTN zK<-w291R02952E)0i)cJVWsP*u?WrOM$r?R;;V0-aVt(Gl#lUS1AfEXF8(qX-dz(R zlM^Sm&>P#o%y@*7w)(uedLRuOZ)3J*F0S@qf1q!-lek#c>N(nNiHMC~%L^PGz*E$3 z8dNd`*hu(bTBQAI7!u_|iCfC;KlX-w$Pw2ut$3RVt(fZ*fH2Ub=+>#tJ>%P()5lRK z!EU#$9$1U?*#^9|dT?|oA6PK@7Xl|~;biZKDC>E{#5Y~KY*jVGH(Psq=Mh}Z0k1RGKJuaNWOlH#nr8W$?g_C(G#u!=BEhy^JW}t$U>rJix zStLwH7U$a_om`jTxN>(E8fxrNo3w9ITHR0?eIP*J$sFk#fbtl@xtQiI{|JENg%U;A zPjPiKr8UrgN8;ADlgu1QWaMDn>z2zhCY#ekt2 zU;$;LqebY_y4-1rWxF=dOMG$sXPTnZ$H(`towVmHy8_WlhdKI*3x_H7RTbQivt7Q#9KLy>Q0t@n6h;5T9~m)kQt zm|sV_CE;^)yQV!W;tX)U4t<}w|0Tqm0DG!3{PB7~g^gBYZC>p0Ron=DD1aMC8qV1m zYX$kccWo3pOFgHqh%_6%1c=rNd4v%A1D20+Ml>T$FQ#V`pAPhEGX{5V6e-^YeB^|w z@vpB`m}?TY`z0-HG!4AC4#LNDrjV#;dQ!71_xynEgG`QnxkVr-FDHNNhh2Nm*`&;& z6w0F8#xMQ`0)_MZ2Hj#${PK*?yD2_vJ+0a?GsOz~=G>0c>Y?K@<4Y@6-*kZ|o@O(L>6YcNHo;AhVd*V=di{|OEXH=SJ6&)7gY<(@tjp)O`HejV*Bd1heR~R zP;2=li(YP$u3x$L-k7W_Hp7&Yhn>=K6TAo{D|J>}Tu&S|boz((d>1RJRtGA6+0izg zj*@~*geSxp6nImz>vQ*a)n^{=te^Xfgb#(e92}g>3E+%Sa>E=|PR5O-Jun5VUj}ys z<_(LLD{Cb8B36{u+?>v+Vpz381r7p5J9p}NAZw?MJom%{cIR?bX6ur0@!z(FLFu>< zmcU|STeXRVcDi)s<4PHr*=p%iTiC3OTd0kr%_M#ExZkNV;qC`sSxMJf=lt=h^|e?7 zWH6%wD<*XY(-i0#ymDQU@i84(Z&h(L{Ixqh8TM0vM0~mp85ddIUvAob`oOyKGXIBS z;3H$J$_W3Xqi|lkHK?A|J91upAnC{?x7SBOGXIin1+@pN;gmKwQv9}K z1)TuB-Cmy|A6_RzpyYxQ9+mnZd0ST1xFR^SZb{^maxzUXiyo@&TJCl^@X5)mPIa@b zc+lU$Nz%ebUEB@ghyt^%RUCUnO9Zl;52TVm3h3odl7gHg19A9sZ!xmYhi??)g|%{p zkNgFA_5B+9P@?e?^_GlMrAcA%WDz}YwC0X<>LUx}lhtfL9U7ys!D$n-Ra}=KR4!4p z`TaEZJS%O!+-7t_ICL~$S)}z!T}E+o^TmU&GF`wKfKUQd6|O&CTxJbyuauKNAfhPI zzZAu>9(l3p{&3>ssGn9@g&VTw!|3OkE123}`;IQ1MJE=ATHn`s(x>59-5J@K)Oa9F zz9sFdz#H0oVJkpUhgt7|1v3ElKnGWb0V3ugD=E~7#Oc9{=n`)ZFUx;W$D<#oMOa5} zR0-!6DApPTuOyk_uY_Vgddt?N>YIL{T-H3s;OSA?F;|wc5r=$EMJDNDXQwsdNcY0} zwq{x*+_sauHGF9?yDJMFN~~|aDW8MQxzvAjj9EL^xmwp5$gn3x$w|b+Kn zx6)y+jN{U4?^hOBO7$I@cMS&(^f-1Io{%7WxI{Ell;SOLz3M}-W3+kYUpq!6yn!-| zg>jRm-+jP=wIwZdCo)vMyjVuS*|Ye1ORvv$>TF1R*XxaXa&1<)v&{_uL-%K=K8U_N zp{ScrP(%C*zOJDSvNqOKD{ngh0qV}0^hJug`^P7tOr$d`>LF9ohM2Aw)%o3y{D zXKeWdPX|^4-*5j?YSOc&(dk#WLjdY?DI1X!LL=`hU3N-!3NY2-jPTkrcl(-8vRK)Q z4@l{ba|-xh^|;NdMYr98^cDTbY2>GTBgg@84q_;rq_O-yG_>|3s}Nw7L}xuh{BmbL z))MtTMVd+;6&#d|>msifOisfvUkSs*m8!Wp9ZXpu!&XTJ)%>a&_(iYSXGz^D+An#v zXf#0RRcx}{K`ABC_dbag%-@f8AL}=xzOWvKUZJ}wIH5CW4KG&Zr(!&BV@fS^A`DCG zm;%)6{^TN=kOF(abC7hLh+sT7;zrpMJ1^^=_0TrK)U3V_vXy|*kvVLg`KRkokh~ip z;d~}=?^}5QV&gz1mLpN*lP3xtgS%g===PhJPGePsi@dJ$te=0L&$Q^07^L5hJEi00 zXh2a2GhWy^^vrJ7!mV;ADVX!4z9_NUeTF0w;m=hBOu?t4M=aV~PP^$OSq$FuXJ7X*b}HD$GNJUdv6_dr4*&|0Dusjc}1iO|%p{p7%<&3yE2E?~hD2 zVShRDi*%rI-QrZYEuf!<%qMB2k0&u}hz%cF#x351 zQ?DwTeG!5&wl=FZ2RM_oE??74>vG?LRs(Z!Ap$+mM8d0a_)347o6AZ}g6ae!lB7B^ z*NxUm1^VrMrLi&q3EfrZg_t8(L_v_-Doy~4qyt-T3L3=P4U!g0>XsKZr{E_j=MIhQ zUqe3V3P&kNN*mA9R%hKsH@uvN4i}BCOnb;|Z%;`|Jo8H*HE+zTy{YkbJzH)08ll-s ze%ddS*u=FnxjZ;GAi7~K%u{(Om+!Ql^LcB?K>T2m_{_QrP-Mrp>4;GIWT451(g^fr z_*zS)k|FY*bB9#DN`_1BBx`wS$ol8SIN2xF@%0YnLzdZQ;hQcq9yNA5(Qz~iDjn$E z`&9+jRGnkj=@Sz3-6nKgHG6+(5Uh!36Kxagd6qLiWZ;L+cUpCWQc_*IpQQf=ySX5@ zk>uKpSoQ^4k4tf9}VXcSMy42-;vXf#hfs4OK4mbQ9BRjV^VgNnc1czLhD02Nwz{qvntlcstFm65A8 zv58}{ppnS{Qj$k9)>0eHtDd^)1|}`#jQDMYI~-ZOZbTIa%YsgqDVCdf%Tq$P8;HYV zcC|29myU&p+IMH!&H@=jzb+8vUa79AQC}=`InDQ=-^gQjpNp&u5_ZgXr;L1Tq+Y>U zZ82p;Frh>IdCg6SoRXM++u8VZeM%F5n!NGmNg93Ap_~4hulydw;06$>-`(?h(5($7 zgio2Dh6X-j7))1Ly_#r8uR8vsv6 z<@RUS!%D~yw_O4E4jCD1rv5E*7%FHnmOhR>@Tcg}1X z$e7g)o&^P5=kIc8)1i91M(Js1`aZnozhBboY9u$&tE%3h41{wEgIs}o58@21&A&yl z6D`lz5g)bqB(y6_^3SQ?jS804@sBh<+(rwbnin@4Ols(aDxfspl25dIPJ@y|y6)w+UAX zcIGpcSeliu1Z$DHao7A(`_w1UF@qH+cDxW9#pP_WPQMd$w=b$X!3>XI88?!Qk$W=M z|B>EIBgR-fGnqQgFm%0^2PO3%UF}zXxa2l9`vr$i=(uHpBRA__Thqd6 zWK1m=iiTQ5$rb~_%k}bPr_ZP0++*#mHf_waSHQ&&Ijrs0X4bZ=pP z%SFl_3xNb|4Es?E@QGdnrwN0;MYAuTPFfN#w`o6E2^c5c_5y9&{;k8hAfEH0-3c zr)nTr9^GH8|2xJ7Rt^i{8|Lcktmk)=Aa@dLiHp4E<2sqO8{k>PLCw*{2z7K5TiWex zO>6+LGK?eFO8AbZ6TPRj}LUT??g9fJ=bIU(L+tyJP`U-^n$}V{}H?ThBfg6f`O6Ly)vG6Jwmi(OGCv3mtW_$( z$=mYWrznXIoSRl-5$gc<8FUF=;&E{Q?Ao3+-LqM0w2unTlER14Kbhn5DtA@8UB&8* z*~?=nZYHUco?xye)nxgQ#+%ev+h(68yq>o1cVt$UH?fD9y22B8@=Z2szVf&EN$$1k zNZM1A-6v^M*{l>L&#^n9A-h?d2L~ zLrJN+7PJd)v-9Eb5eBcQ-D<9yeVoa#)aFb`Y z7r8ryZ0kfkTK}}^ZF_jrxGoJ->(`w(8n5xZSYCy;kyNT1c(c7NUgALtC)8cAXZo6w zROpyHqM%S!VCxV;mr@zAg`m0>o~7~u92b_l0lrIZoMhMNmDFqaSnC%o?{on@Nx>W1 z?7lmgnz;hTV~w-SoFN&SLtscu#O6CAve$?tt*tgp`uEj#Es(Z1t!^~t?brH=q~rpL z=2dn40%}X<*hJ1O{~#Od!Rd{aSnbsHADp4*n4@f+NtKTzM;26 z%;_I}hU;J=Lz|_X*E&;E zS>r49Z14K>9h>T4f3U|loE~a|`3?R)G|y!H@PXcQ2;?g{t)U?JGiW`tW=xg3S#^8N z{%E;RrUf_Q`uM7_)@xwLrDNFq!J^s9WLbjdsnr@cn#*MA`5F$U2YTK2G5JS}6)&S_ zDMAuH1#SnzjGES+Fh)COVV{&!k^W89RM^zVwLp8*-b&dGQq?xEMUwgpV%CSIAC%TJ zU~-GsT{TDtFV~?Y6O4iXq&&5HhY<&ixfnO^j!;=Oxm_K+Y(5b;YOO72tZw@|BaYQS z*DcCMDVKxiR_D7c_L=lq6tM|j)QjA4Z@I{Wx5p~@{l8X-ke_mnv}>074SZ!91Uzew zGS+mQa3NUcmCsVXLD}eeSbk~ioxA!W8&v`F_l*yFCevlIis*T52Aipr`;NJ2Z=89MxiHWBDHByGP5$k98YfR~lpLv13u# zd~EQ%?t187S@W_NWbSihQT@lmUulTa*Bv~}kxy@G?Du|0z&*QRj#r=yIaQ@#<6LOLu=r&p7 zT-pQHw%gc#6DMGq#4uS=X!f~YQxz)R*Sg2XNBs)vlN@e7sSTythCfXcUr#2`NYA&| zGSocrYS9)wdgFR?$%E7$G^M`v%)u-P0ASua?E2|1ps9z^L)*K{?eYy<{7ylF(^ivG^GBBa~c<3=eK?V+a~}F zgk)XUj{+--#SFgj2zs&TSk_!_$CQ|%>>bCF9#Zy!#ty%6H7pFQLY%iqlA&06Pw#e# z`hgQE20#Y;R)_(V>tp4i;QCjHf@ggeDWr2bM1vnt%39}Nb!vrBybss!be0L0 z;UiDwM;|fKnYYay-l;qVCr|N5iqMLz;o?+q3!={*+jd!Rn2r`>l|lz!Z)ZjeXl3@L z2j|3HjwA%hqZ8^m;&gMZ`{9}PbTib|L341+#(SmCkvDbQv(%$4B_@GK{THy?FIz9^ zXN{0Hh^KY7%d0o?!YPs*Rdr8E!}B%#T0rG~uXO7V-5pD2ZWWWqAVUM@z@PC$tXH+a zUt;ksvsvMe0mZ{ppOPPOvd3~0Y7=+w6(Y8Z(a$xnspezrN5oL$<5BK+bzFBIpaTVa zeCQSzRR0Pd5jJ2f=)FB1msk7V_!D_>rl~@bXDyp=l%7u`8La3jj&PGKWf2ey4}0d4_|uQ$g9)yGvG(wkXP%)}B`QjdSA zU~mzx>*G?cqrDluI=}pgH6zXHK*3e1ZIG>!)ozcX{%62pIrkpY7bQj>LvkJR z3&>)<%pGiHZr-xXJB>4w!?xyMmOEo{k90EGK`J}yJGd~%W^;5%Of2=x_-82v7NLyL zC@GIm5~lDiu6}!z)d!IPJrNfq3|^v_jaZiuzK$;m^RfhC5r9sQXef zn@P!~uE-rgU(;_Z*UumqH!#3>^qopgo+FhqH9vi)~!7GVVRRJ zY4O|bPUG}ftTLOAn_HG!hn=-wnc(t0H00ZRorj0#!0vvIhkyR_UhaQv2Y62KxH-IV zmvi^@=jA!ZGrW7opDp#@4?Kxfkwx)i?QIWR9_FJzTP9h5bI(X|k9JHeNKZk>f}TA7 z@>K)_`tteEaj0R}72|y&B2E`hecQtl)7RHX&^T0jXogR&e}2!0PnY7T7t9%>U_-{3 z6sN|eo^Ht4so^4+n6Koev)c*nfELt99hRG;ZQ5}QZZR0B+3zDyHG!hXXrkL=gc+XP z#xOoCwV$tg>3Y-1(mul7VFTF8FdxsqiZ(BmtM|8P2X{q-*u8Ld_@`_s|A(^m&~_Ly zc;=YXOPz8Ox6=({VdhReQQ5?qY+x}uK=Q*-u6z;Xqfi++to+sR+1g)(uj<5}--;b| zHz#mY7`*wGjj;HV$goMd&dS9epzNpihGJOE1pi#W?>|IaY@O@*TeLq`a|eO#{+8_H ze@JBTzf1Nq_5aUm|7Nliyalftk38r32Z7oO%ap$f{L!tQ>kBC4pA7W>j~K|Q?B8|P ze>JXEf$!$u1djYMuICGH$jev$|Kwo!zjJW>f7XJItPXJP!J!}g{~%&faP;TjME;lp z;^1KaPZIb3cM|{arifEDIxYJ8pSpf4bz|z5i|kKHh&nCO__U zX}o#l36^z;SjG#Y+AUO;f3fzSZ+CTL@w&VE>fOJx6T4eG>1jEjD=n%g0BrD$+p1+!{&FpPJp6$m z4`1QAQ%#3rg-T-mLY(*NGL6^ARn5i-y(aM9Kpk#scy}Sy=fe3y>lIi&mc*7{PJJY- zS+F2YZ*CNFA9E`RUs7R?dG7e#p;VezU@P3)4O%5{8MhG)Z$2Y}9?Ih02xOLjLdbh| z81Tihz+c9(pgvw}$4kX}jxRvTs#j|_Bg+XnkR@I3;tnpqk$OkiTb$-c@)rL?L*6~t zdH$;<2(goW5mCs)^YbVl&!K 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](https://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: + +1. Обрабатывает облака точек, получаемые с 3D-лидара, установленного на беспилотном поезде метро; +2. Выполняет мониторинг пространства перед поездом в тоннеле в реальном времени; +3. Обнаруживает посторонние объекты, попадающие в зону, ограниченную габаритом поезда; +4. Обеспечивает детекцию объектов на максимально возможной дальности до препятствия; +5. Минимизирует количество ложно-положительных детектов при сохранении высокой чувствительности к реальным препятствиям; +6. 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: + +1. **ROS2-ноды** для загрузки и обработки лидарных облаков точек; +2. Алгоритмы фильтрации, сегментации и анализа 3D-данных; +3. Модуль детекции посторонних объектов в зонах, ограниченных габаритом поезда; +4. 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](https://t.me/help_lct) +- Почта: info.leaders@develop.mos.ru +- Модератор задачи: **Горбатова Ольга** — [@gorbatovaol](https://t.me/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 | diff --git a/docs/CONNECTOME.md b/docs/CONNECTOME.md new file mode 100644 index 0000000..00ad01a --- /dev/null +++ b/docs/CONNECTOME.md @@ -0,0 +1,175 @@ +# Что именно взято из коннектома + +Документ отвечает на два вопроса: какие параметры решения пришли из данных о мозге +дрозофилы, и почему взяты **схемы**, а не полная симуляция. + +--- + +## 1. Почему не полная симуляция мозга + +Полный коннектом взрослой дрозофилы (FlyWire) — около 139 тыс. нейронов и порядка +54 млн синапсов. Симуляция такого мозга в виде leaky integrate-and-fire существует +(Shiu et al., 2024), но для нашей задачи не годится по трём причинам. + +**Бюджет времени.** Осмысленная спайковая динамика требует шага интегрирования 0.1–1 мс, +то есть 100–1000 шагов на один кадр лидара. Каждый шаг — разрежённое умножение по +десяткам миллионов синапсов с нерегулярным доступом к памяти. На стенде жюри +(i7-9700E, 8 ядер, 2.6 ГГц) это даёт от единиц до десятков секунд на кадр при бюджете +в 100 мс. GPU сокращает разрыв, но не закрывает его и съедает весь ресурс, ничего не +оставляя геометрии, трекингу и выводу. + +**Потеря разрешения — главная причина.** У мухи около 800 омматидиев на глаз с угловым +шагом порядка 5°. Чтобы подать данные в настоящий коннектом, лидар пришлось бы проредить +с 460 800 лучей до ~800, то есть с 0.1° до 5°. Предмет 0.5 м на 200 м занимает 0.14° +и исчез бы полностью. Мы выбросили бы ровно то, ради чего в поезде стоит Pandar128. + +**Неполнота данных.** Коннектом даёт связность, но не даёт знаки синапсов, веса и +постоянные времени — их всё равно пришлось бы подбирать. + +Поэтому берутся **вычислительные схемы** и измеренные параметры, а работают они на полном +разрешении лидара в rate-based виде: один шаг на кадр, состояние популяции — массив. + +--- + +## 2. Параметры, пришедшие из коннектома + +### Грибовидное тело: 6 «когтей» на клетку Кеньона + +Клетка Кеньона получает вход от небольшого числа проекционных нейронов, выбранных почти +случайно; в реконструкциях hemibrain и FlyWire среднее число входных «когтей» составляет +примерно 5–7. Это значение мы не подбирали, а взяли — и затем проверили перебором +(`tools/tune_memory.py`, leave-one-bag-out, ROC AUC новизны): + +| «когтей» на KC | 4 | **6** | 8 | 10 | +|---|---|---|---|---| +| ROC AUC | 0.756 | **0.890** | 0.891 | 0.872 | + +Биологическое значение оказалось на плато оптимума. Это не доказательство, но хорошая +проверка того, что схема перенесена осмысленно: случайная разрежённая проекция с малым +числом входов на клетку — не украшение, а работающий механизм. + +### Грибовидное тело: разрежённость кода и APL + +Гигантский тормозный нейрон APL собирает активность всех клеток Кеньона и возвращает +торможение всем сразу, оставляя активными единицы процентов. Мы сохранили саму схему +(глобальное торможение → отбор сильнейших), но **изменили масштаб**: + +| | муха | FlyGuard | +|---|---|---| +| клеток Кеньона | ~2 000 на полушарие | 50 000 | +| активных одновременно | ~5 % | 0.1 % (50 клеток) | + +Причина инженерная и измеренная. Муха за жизнь встречает сотни запахов; нам нужно +запомнить десятки тысяч видов тоннельной обстановки. При мушиных 2000 клетках и 5 % +активных память насыщается после нескольких тысяч примеров: подавлены 98 % синапсов, +и новым не выглядит уже ничто — новизна реального препятствия падала до 0.001, и оно +переставало обнаруживаться вовсе. Увеличение популяции и снижение разрежённости +восстанавливают работоспособность: ROC AUC 0.905, новизна объекта 0.49 против 0.13 у фона. + +### Грибовидное тело: депрессия KC→MBON + +Familiarity suppression — экспериментально описанное свойство выходных нейронов +грибовидного тела (в частности MBON-α′3): повторно предъявленный стимул даёт заметно +меньший ответ. Мы воспроизводим это умножением веса активных синапсов на (1 − rate) +при каждом предъявлении. + +Темп депрессии **согласуется с размером выборки**: на одну клетку приходится +`n · n_active / n_kc` попаданий, и без такой поправки любая достаточно большая выборка +обнуляет память целиком. Темп выбирается так, чтобы типичная клетка ослабла в +фиксированное число раз; тогда шкала новизны отражает частоту обстановки, а не факт +«видел хоть раз». + +### Дофаминергический контроль пластичности: когда учиться + +Депрессия KC→MBON у мухи происходит не всегда, а когда её разрешают дофаминергические +нейроны PPL1 и PAM. Их вход зависит от состояния животного, а не только от стимула: +одно и то же предъявление запоминается или нет в зависимости от того, что происходит +вокруг. + +У нас ту же роль играет координата пути из центрального комплекса. Кратковременное +привыкание (`mushroom_body.Habituation`) депрессирует синапсы только тогда, когда +форма встретилась в **новой точке пути**; повторное наблюдение того же предмета с +другой дальности пластичности не вызывает. Это перенос схемы «учитель решает +момент», а не самого нейромедиатора. + +**Механизм по умолчанию выключен**, и это честный отрицательный результат, а не +недоделка: замер показал, что узнавания повторов у него нет, а весь видимый эффект +давало насыщение маленькой популяции (EXPERIMENTS п. 10). Сама же наблюдаемая +величина — сила дофаминового сигнала как средняя незнакомость сцены — осталась в +виде мозга: она заранее говорит, что участок новый и ложных тревог будет больше. + +### T4/T5: четыре направления, два канала + +T4 получает вход из ON-пути, T5 — из OFF-пути; каждый существует в четырёх подтипах, +настроенных на четыре стороны света в поле зрения. Воспроизведено буквально: четыре +направленных коррелятора Хассенштайна–Райхардта, отдельно для ON- и OFF-каналов ламины. + +### LPLC2: четырёхслойный дендрит + +Дендриты LPLC2 разложены на четыре слоя лобулярной пластинки так, что каждый слой +принимает T4/T5 «своего» направления с той стороны поля, куда поток уходит при +надвигании. Сумма четырёх слоёв — это дивергенция потока, и именно так реализован +детектор. Свойство подавляться однородным широкопольным потоком (то есть собственным +движением) сохраняется автоматически: у равномерного сдвига дивергенция равна нулю. + +### Эллипсоидное тело: кольцевой аттрактор + +Клетки EPG образуют единственный бугор активности, клетки PEN сдвигают его по сигналам +собственного вращения, взаимное торможение не даёт возникнуть второму бугру. В FlyGuard +эта схема переносится с курса на положение: треки живут в координате пути, сдвигаются +оценкой собственного движения, накапливают улику при совпадении и гасят соседей при +конкуренции за место. + +### Нисходящие нейроны: два порога + +Гигантское волокно (DNp01) — толстый аксон с высоким порогом, запускающий немедленный +аварийный манёвр; DNp02 и DNp11 реагируют раньше и мягче. Отсюда два уровня решения: +предупреждение и экстренное торможение, с гистерезисом между ними. + +--- + +## 3. Что взято как идея, а не как число + +Честное разделение: перечисленное ниже вдохновлено биологией, но конкретные величины +подобраны под задачу, а не измерены у мухи. + +* число и размеры масштабов центр-окружения в ламине (три масштаба); +* постоянная времени задержки в корреляторе T4/T5 (1.5 кадра); +* коэффициенты накопления и утечки в центральном комплексе; +* пороги нисходящих нейронов и гистерезис; +* геометрические множители веса улики (целостность, компактность, опора снизу) — они + выведены из физики тоннеля, а не из анатомии; +* ограничение «одна фигура на компоненту» при разрезе по контрасту: приём глобального + торможения взят у APL и у широкопольного подавления LC11, но само число выбрано + замером (одна против двух и против всех: 6.4 / 7.4 / 9.4 ложных трека на километр); +* шаг «разных мест» и путь полузабывания в привыкании (5 м и 800 м) — механизм + выключен, но параметры остались. + +--- + +## 4. Источники + +* Dorkenwald S. и др. **Neuronal wiring diagram of an adult brain.** Nature, 2024 — + коннектом FlyWire: около 139 тыс. нейронов, ~54 млн синапсов. +* Scheffer L. и др. **A connectome and analysis of the adult Drosophila central brain.** + eLife, 2020 — hemibrain; статистика входов клеток Кеньона. +* Shiu P. и др. **A leaky integrate-and-fire computational model based on the connectome + of the entire adult Drosophila brain.** Nature, 2024 — оценка стоимости полной симуляции. +* Dasgupta S., Stevens C., Navlakha S. **A neural algorithm for a fundamental computing + problem.** Science, 2017 — FlyHash: разрежённая случайная проекция с отбором победителей. +* Dasgupta S., Sheehan T., Stevens C., Navlakha S. **A neural data structure for novelty + detection.** PNAS, 2018 — грибовидное тело как детектор новизны. +* Hattori D. и др. **Representations of novelty and familiarity in a mushroom body + compartment.** Cell, 2017 — familiarity suppression у MBON-α′3. +* Maisak M. и др. **A directional tuning map of Drosophila elementary motion detectors.** + Nature, 2013 — четыре подтипа T4 и T5. +* Klapoetke N. и др. **Ultra-selective looming detection from radial motion opponency.** + Nature, 2017 — LPLC2 и четырёхслойная организация дендритов. +* Seelig J., Jayaraman V. **Neural dynamics for landmark orientation and angular path + integration.** Nature, 2015 — кольцевой аттрактор эллипсоидного тела. +* von Reyn C. и др. **A spike-timing mechanism for action selection.** Nature Neuroscience, + 2014 — гигантское волокно и пороги реакции ухода. + +Параметры сенсора взяты из **Pandar128E3X User Manual v4p5** (п. 1.4 «Specifications» и +Приложение A «Channel distribution data»); поканальная таблица извлечена скриптом +`tools/extract_channel_table.py` в `ros2_ws/src/flyguard/flyguard/data/pandar128_channels.csv`. diff --git a/docs/EXPERIMENTS.md b/docs/EXPERIMENTS.md new file mode 100644 index 0000000..32efc3c --- /dev/null +++ b/docs/EXPERIMENTS.md @@ -0,0 +1,970 @@ +# Эксперименты + +Все числа в документе получены скриптами из `tools/` на предоставленных данных и +воспроизводятся командами, указанными в каждом разделе. Там, где результат оказался +хуже ожидаемого, он приведён как есть. + +Машина разработки: Ryzen 5 7600X, 32 ГБ, RTX 5070 Ti. Стенд жюри слабее по CPU +(i7-9700E, 8 ядер, 2.6 ГГц), поэтому замеры задержки приведены с запасом и обсуждаются +отдельно в разделе 7. + +--- + +## 1. Что на самом деле в данных + +```bash +python tools/inspect_bags.py --root data/for_hackathon +``` + +| Бэг | Кадров | Топик | Точек в кадре | Валидных лучей | +|---|---|---|---|---| +| `doubleT_obstacle` | 201 | `/sensing/lidar/hesai128/pointcloud` | 921 600 | 37.6 % | +| `doubleT_platform` | 345 | `/lidar_points` | 307 200 | 60.5 % | +| `roundT_doubleT` | 252 | `/lidar_points` | 307 200 | 61.7 % | +| `roundT_pressureGate_roundT` | 268 | `/lidar_points` | 307 200 | 60.6 % | +| `roundT_squareT_pressureGate_squareT` | 545 | `/lidar_points` | 307 200 | 61.6 % | +| `squareT_platform_squareT_switch` | 877 | `/lidar_points` | 307 200 | 59.4 % | +| `new_data` (221 шард) | 11 271 | `/lidar_points` | 307 200 | — | + +Три вещи, о которых README датасета молчит и которые ломают наивную обработку: + +1. **Архивы — несжатый tar**, а не `.zst`. +2. **Раскладка скана различается**: 3600 азимутов на 360° против 1200 на 120°. + Ничего нельзя захардкодить. +3. **У каналов постоянный азимутальный сдвиг до 15.6°** (±78 столбцов при шаге 0.1°). + Без выпрямления «столбец» не является направлением, и все пространственные фильтры + считают мусор. Руководство Pandar128E3X это подтверждает прямо: «Each laser channel + has an intrinsic azimuth offset». + +Различаются и условия съёмки: высота установки сенсора над головкой рельса составляет +1.31–1.33 м в пяти бэгах и 1.70 м в `doubleT_obstacle`. Решение калибруется по данным +и работает с обоими без правок. + +--- + +## 2. Проверка калибровки по паспорту + +```bash +python tools/extract_channel_table.py --pdf <руководство> --out .../pandar128_channels.csv +python tools/validate_calibration.py +``` + +Решётка лучей восстанавливается **из самих облаков точек**, паспортные углы нигде не +используются. Поэтому таблица каналов из Приложения A руководства служит независимой +проверкой: + +| Величина | Измерено по данным | Паспорт | Расхождение | +|---|---|---|---| +| Разброс азимутального сдвига каналов | ±7.80° (размах 15.60°) | −7.811°…+7.804° (15.615°) | 0.015° | +| Диапазон углов места | −25.1°…+14.4° | −25.016°…+14.436° | < 0.1° | +| Угол места, поканально | — | — | медиана 0.065°, макс 0.123° | +| Азимутальный сдвиг, поканально | — | — | медиана 0.044°, макс 0.152° | + +Расхождение одинаково на всех шести бэгах. Остаток объясняется тем, что в руководстве +приведены **проектные** значения, а каждый экземпляр прибора поставляется с собственным +файлом угловой коррекции — именно её и восстанавливает калибровка по данным. + +Остаточная угловая ошибка после выпрямления образа: **p50 = 0.0000°, p99 = 0.028°, +макс 0.040°** — меньше половины шага решётки (0.05°). + +--- + +## 3. Сколько тоннель вообще позволяет увидеть + +```bash +python tools/analyze_corridor.py --frames 50 +``` + +| Бэг | Радиус кривой | Прямая видимость (p99.9) | +|---|---|---| +| `doubleT_obstacle` | 1690 м | 167 м | +| `doubleT_platform` | 7310 м | 143 м | +| `roundT_doubleT` | 1310 м | 126 м | +| `roundT_pressureGate_roundT` | 2970 м | 121 м | +| `roundT_squareT_pressureGate_squareT` | 8660 м | 127 м | +| `squareT_platform_squareT_switch` | 2300 м | 132 м | + +Максимальное эхо во всём датасете — **208.8 м**, что совпадает с паспортными +0.3…200 м. Но **реальная прямая видимость 121–167 м**: тоннели кривые, и линия взгляда +упирается в стену раньше, чем кончается дальнобойность прибора. + +Это измерение, а не оправдание: заявленные в ТЗ «300 м → отлично» на предоставленных +участках недостижимы **никаким** алгоритмом, потому что от объекта за поворотом +до лидара не доходит ни одного фотона. Проверяется прямо: при вставке синтетического +предмета на 84 м в кадр, где фон в том же направлении стоит на 76 м, ни один луч +до предмета не доходит — он физически закрыт стеной. + +--- + +## 4. Реальное препятствие + +Единственный бэг с настоящим посторонним объектом — `doubleT_obstacle`. Поезд стоит, +объект **0.67 × 1.35 м на 54.7…56.9 м**, 47–69 лучей, медленно смещается поперёк пути +(с +1.16 м до −1.98 м и обратно за 20 с, примерно 0.2 м/с). + +```bash +python tools/check_obstacle.py --memory artifacts/mushroom_body.npz +``` + +| Метрика | Значение | +|---|---| +| Попал в кандидаты | 100 % кадров | +| Подтверждён треком | 98.9 % кадров | +| Новизна (ответ MBON) | 0.62 при фоне 0.13 | + +--- + +## 5. Обобщаемость: leave-one-bag-out + +```bash +python tools/evaluate.py --device cuda +``` + +Память тоннеля обучается на всех данных **кроме проверяемого бэга** — иначе цифры лгут: +подавлять конструкции, которые сам же и запомнил, умеет кто угодно, а на приватном тесте +будет новый участок. + +| Бэг | Путь | Кадров с тревогой | Разных ложных треков | На километр | +|---|---|---|---|---| +| `doubleT_platform` | 201 м | 18.8 % | 2 | 10.0 | +| `roundT_doubleT` | 201 м | 1.3 % | 1 | 5.0 | +| `roundT_pressureGate_roundT` | 247 м | 0.0 % | 0 | 0.0 | +| `roundT_squareT_pressureGate_squareT` | 274 м | 13.4 % | 1 | 3.7 | +| `squareT_platform_squareT_switch` | 271 м | 13.4 % | 2 | 7.4 | +| **Итого** | **1193 м** | **9.4 %** | **6** | **5.2** (медиана 5.0) | + +Реальный объект в `doubleT_obstacle` при этом обнаруживается в **98.9 %** кадров. + +Две метрики отличаются принципиально. «Кадров с тревогой» завышает картину: одна и та же +конструкция, попавшая в треки, видна сотню кадров подряд. Для эксплуатации важно другое — +сколько **разных** ложных объектов возникло, потому что именно столько раз поезд +затормозил бы напрасно. + +### 5.1. Что дал разбор худшего бэга + +`roundT_doubleT` давал 39.8 ложных трека на километр — втрое хуже любого другого. Разбор +(`tools/diagnose_fp.py`) показал, что пять из восьми треков — один и тот же тип объекта: +полоса шириной 0.6 м, ростом ровно с габарит, тёмная (интенсивность 9 из 255), с разрывом +дальности до фона 18–25 м, повторяющаяся вдоль тоннеля каждые 13–20 м. + +Снятие ограничений по высоте показало, что это **колонна, идущая от полотна до свода**: +кластер тянется от −0.33 м до 4.45 м, и в габарит 0.28…2.30 попадает лишь **15 %** его +лучей. Признак «наполненность» этого не видел: контекст кластеризации обрывался на +`h_hi + 1.2 = 3.5` м — ровно в талии между колонной и сводом, — поэтому срез конструкции +выглядел целым предметом. + +Контекст поднят до `h_hi + 4.0 = 6.3` м (параметр `ctx_up`). Результат: + +| | контекст до 3.5 м | контекст до 6.3 м | +|---|---|---| +| `roundT_doubleT`, кадров с тревогой | 39.7 % | **1.3 %** | +| `roundT_doubleT`, ложных треков | 8 | **1** | +| Всего ложных треков на км | 12.4 | **5.2** | +| Реальный объект на 55 м | 98.9 % | **98.9 %** | + +Значения 2.5, 4.0 и 12.0 дают одинаковый результат: контекст просто дотягивается до свода +и дальше упирается в пустоту. Взято 4.0 — с запасом на более высокий тоннель. + +--- + +## 6. Абляция: что именно работает + +```bash +python tools/ablation.py --device cuda +``` + +Каждый вариант отличается от полного ровно одним отключённым механизмом; память во всех +вариантах обучена без проверяемого бэга. + +| Вариант | Кадров с ложной тревогой | Разных ложных треков | Объект на 55 м | +|---|---|---|---| +| полная система | 10.7 % | 6 | 98.9 % | +| − память тоннеля | 24.1 % | 16 | 98.9 % | +| − ось пути (прямой коридор) | 4.4 % | 3 | 98.9 % | +| − признаки формы | 30.5 % | 21 | 98.9 % | +| − накопление улик | 37.4 % | **81** | 100.0 % | + +Что из этого следует. + +**Накопление улик в центральном комплексе — самый весомый механизм.** Без него число +разных ложных объектов растёт в 13.5 раза (6 → 81): каждое случайное пятно немедленно +становится «обнаружением». Это прямое подтверждение того, что подтверждение по +нескольким кадрам должно быть не эвристическим фильтром, а накопителем. + +**Грибовидное тело снижает ложные тревоги вдвое** (24.1 % → 10.7 %) и при этом **никак +не влияет на обнаружение реального объекта** (98.9 % в обоих случаях). Именно этого +от памяти и ждали: она гасит знакомое, не трогая незнакомое. + +**Признаки формы** (целостность, компактность вдоль пути, опора снизу) дают почти такой +же вклад, как память, — втрое меньше ложных треков (21 → 6). + +**Ось пути — единственный механизм, который сейчас стоит дороже, чем даёт.** Её +отключение снижает ложные тревоги вдвое (10.7 % → 4.4 %, 6 → 3 трека) и не трогает +обнаружение реального объекта. Так вышло потому, что в двухпутном тоннеле центр свода +смещён относительно пути: ось оценивается со сдвигом, и кривой габарит заводит в зону +поиска куски стены. Держим её ради кривых участков, где без неё объект уезжает из +габарита, — но это осознанная плата, а не выигрыш. + +Из этого сделан вывод и изменено решение: габарит теперь **объединение** прямого и +кривого коридоров, а не замена одного другим. Система безопасности не имеет права +сужать зону поиска по неуверенной оценке. Итог замены на объединение: + +| | ось заменяет прямой коридор | ось **дополняет** прямой | +|---|---|---| +| Реальный объект на 55 м | 75.3 % | **98.9 %** | +| Кадров с ложной тревогой | 10.6 % | 17.5 % | +| Разных ложных треков на км | 7.5 | 12.4 | + +Размен сознательный: +23.6 п.п. обнаружения за +6.9 п.п. ложных тревог. Пропустить +человека на пути существенно хуже, чем лишний раз затормозить. + +Таблица выше пересчитана уже на объединённом коридоре, поэтому «полная система» +показывает 98.9 % обнаружения. + +--- + +## 7. Скорость + +```bash +python tools/run_pipeline.py --all --memory artifacts/mushroom_body.npz --verbose +``` + +Медиана по стадиям на кадре 128 × 600 (сектор ±30°), машина разработки: + +| Стадия | мс | +|---|---| +| retina (оконная проекция) | 7.0 | +| ламина | 6.4 | +| оценка движения (LPTC) | 5.5 | +| ось пути | 4.7 | +| лобула (кандидаты) | 4.5 | +| стабилизация | 3.5 | +| грибовидное тело | 1.2 | +| центральный комплекс | 0.2 | +| решение | 0.02 | +| **итого** | **p50 ≈ 35, p95 ≈ 45** | + +Бюджет по ТЗ — 100 мс на кадр. Запас примерно двукратный, что важно: стенд жюри по CPU +слабее машины разработки. Если запаса не хватит, первыми кандидатами на перенос в +numba являются ламина и оценка движения — вместе это 12 мс почти чистой арифметики. + +Отдельно измерена оптимизация ретины: на круговом скане (921 600 точек) оконная +проекция сократила стадию с **29 до 7 мс**, причём результат совпадает с полной +проекцией **побитово** — проверено сравнением массивов. + +## 7.3. Почему далёкий предмет теряется — и что нужно для 200 м + +ТЗ просит 300 м как «отлично» и 200 м как «очень хорошо». Разберём честно, чего +не хватает, потому что причина не та, которая кажется. + +**Фотоны есть.** Вставленный человек на оси пути, по замерам полигона: + +| Полоса | Лучей на кадр | Есть эхо | Кадров в полосе | Накоплено лучей | Обнаружено сейчас | +|---|---|---|---|---|---| +| 160–190 м | 5 | 100 % | 17 | ~84 | **0 %** | +| 135–160 м | 7 | 100 % | 17 | ~120 | **0 %** | +| 110–135 м | 10 | 94 % | 18 | ~176 | **0 %** | +| 90–110 м | 16 | 92 % | 14 | ~227 | 25 % | +| 70–90 м | 26 | 87 % | 15 | ~400 | 58 % | + +На 170 м предмет освещён в **каждом** кадре и за проход набирает под сотню попаданий +в одну и ту же точку мира. Информация есть — мы её выбрасываем, решая покадрово. + +**Кандидат при этом формируется.** Покадровый разбор (`doubleT_platform`, человек +от 200 м) показывает кандидата в большинстве кадров на 140–185 м: 4–9 лучей, +наполненность до 1.00, размер 0.4 × 1.5 м — верный. Но улика трека остаётся 0.00, +и виноват один множитель: **`gap` = 0.0 во всех кадрах без исключения**. + +**Почему.** Кольцо окружения ламины берётся ±6 столбцов, то есть ±0.6°. На 170 м этот +угол отвечает боковому смещению 1.8 м, а стена тоннеля на таком смещении находится +на 172 м — там же, где предмет. Центр-окружение перестаёт работать, когда собственный +градиент тоннеля по глубине сравним с шагом от предмета: предмет не «ближе окружения», +он «на той же дальности, что окружение». В `_quality` это даёт +`contrast = clip(0/3, 0.2, 1) = 0.2`, и улика не набирается ни за 17 кадров, ни за сто. + +Это не настройка порога. Локальный контраст на больших дальностях в тоннеле физически +не несёт сигнала, и никакая подстройка ламины этого не изменит. + +### Что сделано: накопление в координатах пути + +Предмет неподвижен в мире, а тоннель проплывает мимо. Собственное движение мы уже +оцениваем, поэтому лучи из габарита складываются не в кадре, а в сетке, привязанной +к пройденному пути (`fan_body.py`, шаг 2 м вдоль пути × 0.2 м поперёк × 0.25 м по +высоте, забывание с полураспадом 23 кадра). Так устроено веерное тело центрального +комплекса мухи: оно копит вектор к цели в координатах мира, а не текущего кадра. + +**Первая версия порождала собственных кандидатов — и это оказалось тупиком.** Ложных +треков стало 39 на километр вместо 5.2. Разбор показал, почему: по геометрии +накопленное скопление предмета и накопленный кусок конструкции тоннеля **неразличимы**. +Медианы (предмет / ложные), 145 против 761 скопления: + +| признак | дальность | \|u\| | высота | h_min | ширина | протяжённость | опора | кадров | +|---|---|---|---|---|---|---|---|---| +| предмет | 88 | 1.16 | 1.28 | 0.28 | 0.80 | 4.0 | 1.31 | 22.1 | +| ложные | 100 | 1.10 | 1.27 | 0.28 | 0.80 | 4.0 | 1.44 | 18.5 | + +Совпадает всё. Разделяет их только память тоннеля, а ей нужны признаки кадра — +контраст, интенсивность, тень, — которых у скопления нет по построению. + +**Рабочая версия.** Накопитель не порождает кандидатов вовсе. Он отвечает на один +вопрос про **уже найденного покадрового кандидата** — возвращались ли лучи из этой +точки мира кадр за кадром — и эта опора подставляется в вес улики вместо недоступного +контраста (`contrast = max(по gap, по накоплению)`). Кандидат при этом остаётся под +судом грибовидного тела со всеми своими признаками, и штатные конструкции по-прежнему +подавляются. + +Измеренный результат на вставленном человеке (доля кадров с обнаружением): + +| Бэг | 55–75 м | 75–100 | 100–130 | 130–170 | +|---|---|---|---|---| +| `roundT_squareT_pressureGate_squareT` | 1.00 | 0.38 → **1.00** | 0.00 → **1.00** | 0.00 → **0.55** | +| `squareT_platform_squareT_switch` | 1.00 | 1.00 | 0.33 → **1.00** | 0.00 → 0.14 | +| `doubleT_platform` | 1.00 | 0.82 → **0.95** | 0.00 → 0.09 | 0.00 | +| `roundT_doubleT` | 0.00 | 0.00 | 0.00 | 0.00 | +| `roundT_pressureGate_roundT` | 0.00 | 0.00 | 0.00 | 0.00 | + +Рабочая дальность там, где кандидат вообще формируется, **выросла вдвое**: с 75–100 +до 130–170 м. Два круглых тоннеля накопление не спасает — там предмет слипается со +стеной в одну связную компоненту, кандидата нет, и поддерживать нечего (см. п. 9.3). + +На полном полигоне (90 сценариев, 14 004 наблюдения): + +| | без накопления | с накоплением | +|---|---|---| +| Рабочая дальность, человек стоя | 62 м | **100 м** | +| P@100 м, человек стоя | 0.24 | **0.57** | +| P@150 м, человек стоя | 0.00 | **0.10** | +| P@100 м, человек сидя | 0.19 | **0.33** | +| Ложных треков на км (leave-one-bag-out) | **5.2** | 9.1 | +| Кадров с тревогой | **9.4 %** | 17.2 % | +| Посторонних тревог на кадр (полигон) | **0.055** | 0.171 | +| Реальный объект на 55 м | 98.9 % | 98.9 % | +| Задержка, медиана | 32 мс | 33 мс | + +**Включено по умолчанию.** Размен здесь принципиально лучше, чем у разделения фигуры +и фона (п. 9.4): там было вчетверо больше ложных за +29 % дальности, здесь — в 1.75 +раза больше за +61 % рабочей дальности и рост обнаружения на 100 м в 2.4 раза. ТЗ +прямо оценивает дальность (100 м → «хорошо»), а «важно найти баланс между дальностью, +надёжностью и количеством ложных тревог» — этот баланс мы и выбираем осознанно. +Выключается одним параметром: `enable_accumulator: false` возвращает 5.2 ложных +трека на километр при рабочей дальности 62 м. + +### Что ещё нужно + +**Геометрическая карта линии.** Метро — неизменная среда: за несколько проездов +строится ожидаемый дальностный образ, привязанный к положению вдоль линии. Тогда +«препятствие» = «луч вернулся ближе, чем говорит карта», и это единственный способ +получить **и** дальность, **и** околонулевые ложные тревоги: всё постоянное в карте, +всё остальное — предмет. Грибовидное тело делает то же самое в пространстве +признаков; карта делает это в пространстве геометрии, где на 170 м ещё есть сигнал. + +### Чего не будет никогда + +* **На предоставленных участках 200 м недостижимы геометрически**: прямая видимость + 121–167 м, дальше линия взгляда упирается в стену кривой. Это не свойство алгоритма. +* **Мелкие предметы на 200 м невозможны с этим сенсором**: ведро (0.1 м²) на 160–190 м + даёт 1 луч при видимости 2 %, каска и бутылка — ноль. Накопление не поможет там, + где фотонов нет. +* Реалистичная планка для предмета размером с человека на прямом участке — **около + 200 м**, и путь к ней измерен выше: накопление плюс карта. + +--- + +## 8. Что не сработало + +Раздел намеренно подробный: ТЗ п. 8.7 просит именно этого. + +**Поиск рельсов по интенсивности.** Идея была привязать ось пути к колее 1520 мм. +Не вышло: медианная интенсивность на уровне головок рельсов равна 8 из 255, рельсы +ничем не выделяются на фоне полотна, и пара пиков на расстоянии 1.52 м находится +где попало — оценки прыгали от −1.18 до +1.37 м в соседних срезах одного кадра. +Отказались, ось пути оценивается по дрейфу центра свода. + +**Обычная связность при кластеризации.** Соседние лучи объединялись без учёта глубины, +и предмет на 55 м слипался со стеной на 150 м в одно пятно размером 5 × 4 м. Реальный +объект обнаруживался в 16 кадрах из 20. После введения допуска по глубине, растущего +с расстоянием, — 20 из 20 и правильные габариты 0.67 × 1.35 м. + +**Грибовидное тело с мушиными параметрами.** 2000 клеток Кеньона и 5 % активных +насыщаются после нескольких тысяч примеров: подавлено 98 % синапсов, новизна реального +препятствия падает до 0.001, и оно перестаёт обнаруживаться совсем. Потребовалось +увеличить популяцию до 50 000 и снизить разрежённость до 0.1 %, а темп депрессии +согласовать с размером обучающей выборки. + +**Корреляция продольного профиля «в лоб».** Первая версия оценки скорости залипала +на нулевом сдвиге: в профиль входила ближняя зона, где на метр пути приходятся тысячи +лучей, и её вклад подавлял всё остальное. Помогло исключение ближней зоны и вычитание +скользящего среднего. Отдельно обнаружилась ошибка в перепроекции — использовалась +высота над рельсом вместо z сенсора, из-за чего согласие держалось на 0.12 вместо 0.9. + +**Взвешивание срезов по числу точек при оценке оси пути.** У ближних срезов точек +в сотни раз больше, и подгонка полностью игнорировала дальние, где как раз содержится +кривизна. Кривые расходились от +10 до −10 м на 200 м в соседних кадрах. Равные веса +по срезам и линейная (а не квадратичная) экстраполяция за горизонт видимости решили +проблему. + +**Оценка оси пути на станции.** Платформа делает сечение резко несимметричным, центр +свода «уезжает», и габарит заезжает прямо на платформу: радиус кривой падал с 999 до +225 м за 4.5 с. Это давало 54 % кадров с ложной тревогой на бэге с платформой и +стрелкой. Помогли два физических ограничения — минимальный радиус 300 м и предел +скорости изменения оси. Стало 5.4 %. + +**Срыв оценки скорости на смене типа тоннеля.** На переходе круглого тоннеля +в двухпутный сопоставление кадров теряло опору и выдавало попеременно 0 и 70 км/ч. +Помог фильтр с физическим пределом ускорения 3 м/с²: поезд за 0.1 с так не разгоняется. + +**Полигон без учёта кривизны.** Первая версия синтетических сценариев ставила предмет +в поперечных координатах сенсора, а не на ось пути. В кривой это уносило его в стену, +и «рабочая дальность» выходила 32 м вместо реальных 55+. Исправлено привязкой к оси. + +--- + +## 9. Размеченный полигон: дальность обнаружения + +```bash +python tools/make_benchmark.py --memory artifacts/mushroom_body.npz +python tools/plot_benchmark.py +``` + +Разметки в датасете нет, а организаторы предупредили, что приватный тест собран +добавлением синтезированных препятствий. Полигон строится тем же способом: в реальные +кадры пустого тоннеля трассировкой лучей вставляется предмет, стоящий **на оси пути** +в фиксированной точке тоннеля, поезд к нему подъезжает, и на каждом кадре известна +истинная дистанция. + +Модель сенсора опирается на руководство: поканальная дальность из Приложения A +(каналы 34–65 берут 200 м, каналы 98–128 смотрят в землю и рассчитаны только на +ближнее поле), вероятность обнаружения на паспортной дальности PoD = 70 %, шум +дальности ±2 см, заполнение пятна луча для мелких предметов. + +Проверка модели: настоящий объект 0.67 × 1.35 м на 55 м даёт 47–69 лучей; синтетический +человек 0.44 × 1.71 м на 60 м даёт 50 лучей. Совпадает. + +Результаты приводятся в трёх разрезах, потому что смешивать их нельзя: + +1. **видимость** — доля кадров, в которых до предмета дошёл хотя бы один луч; + за поворотом она падает до нуля независимо от алгоритма; +2. **обнаружение при условии видимости** — собственно качество алгоритма; +3. **обнаружение как есть** — произведение первых двух, эксплуатационная величина. + +### 9.1. Результат + +90 сценариев: 9 предметов × 2 поперечных смещения × 5 бэгов, 14 004 наблюдения +с известной истинной дистанцией. + +| Предмет | Площадь | Рабочая дальность | P@50 м | P@100 м | P@150 м | Видимость | +|---|---|---|---|---|---|---| +| человек стоя | 0.75 м² | **100 м** | **0.70** | 0.53 | 0.12 | 92.5 % | +| человек сидя | 0.42 м² | 20 м | 0.62 | 0.34 | 0.00 | 89.3 % | +| ящик | 0.36 м² | 20 м | 0.49 | 0.00 | 0.00 | 88.1 % | +| чемодан | 0.25 м² | 62 м | 0.53 | 0.00 | 0.00 | 81.9 % | +| ведро | 0.10 м² | 8 м | 0.00 | 0.00 | 0.00 | 61.2 % | +| каска | 0.07 м² | — | 0.00 | 0.00 | 0.00 | 51.1 % | +| камень | 0.05 м² | — | 0.00 | 0.00 | 0.00 | 45.1 % | +| бутылка | 0.03 м² | — | 0.00 | 0.00 | 0.00 | 41.2 % | +| кабель | ~0 м² | — | 0.00 | 0.00 | 0.00 | 25.7 % | + +Предыдущие замеры для сравнения. Без накопления в координатах пути (п. 7.3): +человек — рабочая дальность 62 м, P@50 = 0.56, P@100 = 0.24. С накоплением, но без +разреза по контрасту (п. 9.5): 100 м, P@50 = 0.56, P@100 = 0.57. + +**«Рабочая дальность» у предметов около порога неустойчива** и её не надо читать как +физическую величину: метрика идёт от ближнего пояса и обрывается на первом, где доля +падает ниже 0.5, усредняя при этом два поперечных положения — на оси и со смещением +0.9 м к краю габарита. У сидящего человека и ящика пояс 25–40 м даёт 0.48 против +порога 0.50, и число падает с 62 до 20 м, хотя P@50 при этом не ухудшилось. +Содержательны таблицы по поясам (п. 9.2 и 9.5), а не это одно число. + +Граница проходит по числу лучей: на 40–55 м человек даёт 68 лучей, чемодан 25, ведро 11, +каска 6, бутылка 3. Ниже примерно **десяти лучей предмет перестаёт отличаться от шума** +решётки, и никакая обработка этого не исправит — нужен либо более плотный сенсор, либо +подъезд ближе. + +### 9.2. Почему рабочая дальность 62 м, а реальный объект виден на 98.9 % + +Разброс по бэгам огромный, и он объясняет расхождение: + +| Бэг (человек стоя, на оси) | 25–40 м | 40–55 м | 55–70 м | 70–90 м | лучей на 50 м | +|---|---|---|---|---|---| +| `doubleT_platform` | 1.00 | 1.00 | 1.00 | 1.00 | 68 | +| `roundT_squareT_pressureGate_squareT` | 1.00 | 1.00 | 1.00 | 0.67 | 68 | +| `squareT_platform_squareT_switch` | 0.00 | 0.18 | 1.00 | 1.00 | 56 | +| `roundT_pressureGate_roundT` | 0.73 | 0.00 | 0.00 | 0.00 | 65 | +| `roundT_doubleT` | 0.27 | 0.00 | 0.00 | 0.00 | 32 | + +Не «плохо везде понемногу», а **идеально на одних участках и слепо на других**, причём +при 65 лучах на предмете. То есть дело не в видимости и не в размере. + +> Таблица снята до накопления в координатах пути (п. 7.3) и до разреза по контрасту +> (п. 9.5). Актуальные цифры по тем же бэгам — в п. 9.5: `roundT_pressureGate_roundT` +> из полностью слепого за 40 м стал 0.45 / 1.00 / 0.57 на 40–90 м, +> `roundT_doubleT` за 40 м слепым остался. + +### 9.3. Найденная причина слепоты: связная компонента течёт вдоль стены + +Покадровый разбор провала (`roundT_pressureGate_roundT`, человек на 50 м, 65 лучей +вставлено) показал: кандидата нет вообще. В кадре всего 5 компонент, и одна из них — +**42 059 лучей, протянувшиеся по дальности от 4 до 99 м**, наполненность 0.05. + +Кластеризация с разрывом по глубине объединяет соседние лучи, если их дальности +отличаются меньше чем на `0.06·R + 0.35` м. Вдоль гладкой стены тоннеля соседние лучи +отличаются на сантиметры, поэтому стена связна от ближнего поля до горизонта. Предмет, +стоящий у такой стены, попадает в ту же компоненту и **вместе с ней отбрасывается** +правилом «ни один предмет не тянется на 15 м вдоль пути». + +Это не регрессия: мерж одинаков при любой верхней границе контекста, включая исходную. + +**Попытка первая: разрезать по дальности.** Переглубокая компонента не выбрасывается, +а пересобирается с более строгим допуском. Предмет при этом действительно выделяется — +57 лучей, наполненность 1.00. Измеренный размен на `roundT_pressureGate_roundT` +(человек на 25…90 м) и глобально: + +| Допуск разреза | Обнаружение | Ложных кадров (бэг) | Ложных треков (бэг) | +|---|---|---|---| +| выключен | 28.2 % | 0.0 % | 0 | +| 0.045 | 28.2 % | 27.2 % | 1 | +| 0.040 | 61.5 % | 21.5 % | 2 | +| **0.030** | **94.9 %** | 57.5 % | 5 | +| 0.015 | 94.9 % | 73.7 % | 16 | +| 0.006 | 94.9 % | 96.5 % | 47 | + +Глобально при 0.030: ложных треков **25.8 на км против 5.2**, кадров с тревогой +**52 % против 9.4 %**. Половина кадров с тревогой — это непрерывное торможение, поэтому +разрез по умолчанию **выключен**. + +Проверялось и то, можно ли отделить осколок стены от предмета по признакам: ни один +не разделяет их. Медианы (предмет / стена): ширина 0.21 / 0.20 м, наполненность +1.00 / 1.00, лучей 12 / 8, новизна 0.50 / 0.41. Строгий разрез делает стену +геометрически неотличимой от предметов — потому и цена такая. Этот вариант убран. + +### 9.4. Разделение фигуры и фона по движению + +Разрезать по дальности нельзя: предмет и стена рядом с ним стоят на одной дальности. +Зато они по-разному **приближаются**, и это чистая геометрия. Вдоль фиксированного луча +стена, параллельная движению, не приближается вовсе: поезд едет, точка пересечения +скользит по стене, дальность не меняется. Предмет, обращённый к поезду, приближается +ровно на пройденный путь. + +Отсюда признак: `advance = (r_прошлый − r_текущий) / ds`. Ноль у фона, единица у фигуры. +Ничего перепроецировать не нужно — столбец решётки отвечает фиксированному азимуту, а +рысканье в кривой за кадр (0.06° при радиусе 1300 м) меньше шага решётки. Это тот самый +канал T4/T5 → LPTC: широкопольный поток задаёт ожидание, а что движется иначе — фигура. + +Замер на вставленном человеке подтверждает физику: у предмета `advance` = 0.99…1.01, +у стены на той же дальности — 0.39…0.82 и падает по мере приближения. + +Разрез по этому признаку (`Params.split_adv`, `lobula.split_by_figure`) не крошит стену: +из склеенной компоненты в 42 000 лучей остаётся 2.6–5.5 тысяч и **6–15 кандидатов** +вместо 1259 у разреза по дальности. + +**Важно для честности замера.** Первая проверка дала 70 % ложных кадров, но она была +некорректной: память тоннеля обучена на кандидатах **старого** генератора, а разрез +порождает формы, которых она никогда не видела, — всё выглядит новым. После пересбора +кэша и переобучения памяти на тех же настройках (`tune_candidates_adv.npz`, +`new_data_candidates_adv.npz`, 70 273 кандидата) картина такая: + +**Что это даёт — полигон:** + +| | без разделения | с разделением | +|---|---|---| +| Рабочая дальность, человек стоя | 62 м | **80 м** | +| P@50 м | 0.56 | **0.71** | +| P@100 м | 0.24 | **0.36** | +| Чемодан, P@50 м | 0.57 | 0.67 | + +По бэгам (человек на оси, доля кадров с обнаружением): + +| Бэг | 25–40 м | 40–55 | 55–70 | 70–90 | 90–110 | +|---|---|---|---|---|---| +| `squareT_platform_squareT_switch` | 0.00 → **1.00** | 0.18 → **1.00** | 1.00 → 1.00 | 1.00 | 1.00 | +| `roundT_doubleT` | 0.27 → **0.64** | 0.00 | 0.00 | 0.00 | 0.00 | +| `roundT_pressureGate_roundT` | 0.73 → **0.80** | 0.00 | 0.00 | 0.00 | 0.00 | +| `roundT_squareT_pressureGate_squareT` | 1.00 | 1.00 | 1.00 | 0.67 → **0.89** | 0.00 | +| `doubleT_platform` | 1.00 | 1.00 | 1.00 | 1.00 | 0.25 | + +**Что это стоит:** + +| | без разделения | с разделением | +|---|---|---| +| Кадров с ложной тревогой | 9.4 % | 30.3 % | +| Разных ложных треков на км | **5.2** | **21.5** | +| Ложных тревог на полигоне, на кадр | 0.055 | 0.348 | +| Задержка, медиана | 31 мс | 39 мс | +| Реальный объект на 55 м | 98.9 % | 98.9 % | + +**Порогом это не лечится.** Проверены значения 0.6 / 0.8 / 0.9: ложных треков +21.5 / 21.6 / 21.6 на километр, а доля кадров с тревогой только растёт (30 → 35 → 40 %). +Причина в том, что ложные срабатывания здесь — **не шум, а настоящие поверхности, +обращённые к поезду**: рамы гермозатворов, торцы, порталы. По одному признаку движения +они от предмета неотличимы, потому что физически ведут себя так же. + +**Решение: разделение по умолчанию выключено** (`split_adv: 0.0`). 21.5 ложного трека +на километр — это напрасное торможение каждые 47 метров, система в таком виде +неработоспособна, и +18 м рабочей дальности этого не окупают. Два бэга из пяти +разделение к тому же не спасает: за 40 м они остаются слепыми. + +**Чем это лечится по-настоящему.** Не порогом, а памятью: приближающиеся конструкции +тоннеля постоянны и повторяются от проезда к проезду. Здесь память обучена на пяти +бэгах и 20 минутах записи; на реальной линии с многими проездами грибовидное тело +подавило бы их так же, как подавляет всё остальное штатное. Это проверяемое +предсказание, а не надежда: переобучение памяти уже снизило ложные кадры с 70 % до +30 % — просто за счёт того, что она увидела эти формы один раз. + +--- + +## 9.5. Разделение фигуры и фона по контрасту — третья попытка, и она работает + +Разрез по допуску (п. 9.3) и разрез по движению (п. 9.4) вернули зрение и оба +оказались слишком дороги. Оставался третий признак фигуры, и он всё это время +уже вычислялся — просто не участвовал в сегментации. + +**Физика.** Гладкая стена даёт **нулевой центр-окружение по построению**. Как бы +сильно дальность ни менялась вдоль стены, она меняется плавно: центр равен своему +окружению, и контраст равен нулю. Предмет на стене — это ступенька, и она видна. +Именно этим занята ламина, и её выход `gap` («насколько ближе окружения», м) наш +конвейер считал с самого начала — но использовал только как **признак кандидата**. +Сегментация же шла по связности с допуском по глубине, и переглубокая компонента +отбрасывалась целиком ещё до того, как признак кому-то пригождался. + +**Замер разделимости** (вставленный человек, два круглых тоннеля, 55 кадров): + +| Порог `gap` | Лучей предмета | Лучей фона | Компонент фона в кадре | +|---|---|---|---| +| 2 м | 90.8 % / 87.5 % | 4.15 % / 3.10 % | 24.6 / 16.3 | +| 4 м | 89.2 % / 83.4 % | 0.68 % / 0.62 % | 13.7 / 13.5 | +| **6 м** | **85.7 % / 75.1 %** | **0.13 % / 0.22 %** | **5.0 / 8.9** | +| 9 м | 80.7 % / 61.7 % | 0.02 % / 0.05 % | 0.7 / 2.6 | + +Для сравнения: разрез по допуску давал 1259 кандидатов в кадре. Здесь фон +распадается на 5–9 компонент — на два порядка меньше, и это **настоящие выступы**, +которые память способна выучить, а не произвольные осколки гладкой стены. + +Разделение держится до 75 м и разваливается к 90 м: доля лучей предмета, прошедших +порог 6 м, по полосам — 88 / 96 / 97 / 89 / 61 / 14 / 0 % на 15 / 30 / 45 / 60 / 75 / +90 / 105 м. Дальше 90 м кольцо окружения снова упирается в стену на той же +дальности (п. 7.3), и контраста нет. + +### Почему первая версия всё равно была дорогой + +Без ограничений разрез дал **9.4 ложных трека на км против 7.4** — и причина +нашлась замером, а не рассуждением. Медианы кандидатов на `roundT_doubleT`: + +| признак | без разреза | с разрезом | +|---|---|---| +| протяжённость вдоль пути | 2.82 м | **1.00 м** | +| то же, дальше 55 м | 6.87 м | **0.81 м** | +| наполненность | 0.47 | 0.57 | +| контраст `gap` | 1.24 м | 3.29 м | + +Разрез **отрезает фон**, и вместе с фоном исчезает протяжённость. В весе улики +(`central_complex._quality`) за неё отвечает множитель компактности +`clip(1.5 − depth/(3·span))`: при depth 6.9 м и размере 0.65 м он равен 0.1, при +depth 0.8 м — 1.0. То есть каждое наблюдение вырезанной фигуры стало весить +**вдесятеро больше**, и подавление протяжённых конструкций, работавшее до разреза, +выключилось. + +Порог этого не лечит — проверено сквозным замером: + +| Порог разреза | Ложных треков на км | +|---|---| +| выключен | 7.4 | +| 6 м | 9.4 | +| 9 м | 10.4 | +| 12 м | 9.4 | + +### Что решило: одна фигура на компоненту + +Раз каждая лишняя фигура стоит вдесятеро дороже прежнего, их число надо +ограничить. Из переглубокой компоненты выносится только **сильнейшая** фигура по +сумме превышения порога. Это тот же приём глобального торможения, которым APL +оставляет активными считанные проценты клеток Кеньона, а широкопольное торможение — +считанные колонки LC11. + +| Фигур на компоненту | Ложных треков на км | Кадров с тревогой | +|---|---|---| +| без ограничения | 9.4 | 16.9 % | +| 2 | 7.4 | 15.5 % | +| **1** | **6.4** | **15.0 %** | + +Дальность обнаружения при этом **не меняется вовсе**: и при одной фигуре, и при +двух, и без ограничения все три конфигурации дают одинаковые доли по полосам. +Лишние фигуры не добавляли зрения — только ложные тревоги. + +Разрез вдобавок не применяется ближе 55 м (`split_near`): там покадровый тракт +видит предмет и без него (100 % на всех пяти бэгах до 70 м), а обстановки, +дающей контраст, в ближнем поле на порядок больше. Без этого ограничения 75 % +добавленных ложных треков приходили именно оттуда. + +### Итог + +Цифры ниже — leave-one-bag-out с пересобранным кэшем кандидатов и переобученной +памятью: без этого замер лжёт (п. 9.4). + +| Конфигурация | Ложных треков на км | Кадров с тревогой | Объект 55 м | +|---|---|---|---| +| как было | 9.1 | 17.2 % | 98.9 % | +| **с разрезом по контрасту** | **7.5** | **16.7 %** | **98.9 %** | + +То есть разрез не только вернул зрение там, где его не было, но и **снизил** ложные +тревоги — за счёт того, что переглубокая компонента перестала выбрасываться целиком +и вместо неё в память попадает одна осмысленная фигура, которую есть чему выучить. + +Обнаружение вставленного человека на оси, доля кадров. Протокол полигона: предмет +стоит в точке тоннеля, до которой от начала записи 200 м, поезд подъезжает. Память +обучена и на этом бэге — как и во всём полигоне. + +| Бэг | 15–25 м | 25–40 | 40–55 | 55–70 | 70–90 | +|---|---|---|---|---|---| +| `roundT_pressureGate_roundT` | 1.00 | 0.73 | 0.00 → **0.45** | 0.00 → **1.00** | 0.00 → **0.57** | +| `squareT_platform_squareT_switch` | 0.00 | 0.00 | 0.18 → **0.45** | 1.00 | 1.00 | +| `roundT_doubleT` | 1.00 | 0.27 | 0.00 | 0.00 | 0.00 | + +**Это ровно тот бэг, который разбирался в п. 9.3.** `roundT_pressureGate_roundT` — +запись, где компонента из 42 000 лучей течёт вдоль стены от 4 до 99 м и уносит +предмет с собой. Разрез по контрасту превращает полностью слепую полосу 40–90 м в +0.45 / 1.00 / 0.57. Разрез по допуску (п. 9.3) и по движению (п. 9.4) добивались +там же 0.94 и 0.80 ценой 25.8 и 21.5 ложного трека на километр; здесь ложных треков +стало **меньше**, чем было до разреза. + +**Второй слепой бэг разрез не спасает**, и причины там две, обе разобраны +покадрово в п. 9.6: за 50 м до предмета не доходит линия взгляда (98 % лучей +упираются в преграду ближе него), а на 35–52 м мешает уже наш собственный порог +`split_near`, снижать который оказалось слишком дорого. + +**Осторожно с «рабочей дальностью».** Метрика в `plot_benchmark.py` идёт от ближнего +пояса и останавливается на первом, где доля падает ниже 0.5, а усредняет она два +поперечных положения сразу — на оси и со смещением 0.9 м к краю габарита. У предметов, +стоящих около порога, она поэтому скачет: у сидящего человека пояс 25–40 м даёт 0.48 +против 0.50, и «рабочая дальность» падает с 62 до 20 м при том, что P@50 м +выросло с 0.58 до 0.62. Смотреть надо на таблицу по поясам, а не на одно число. + +**Где разрез стоит денег — 1: холодный старт.** Всё сказанное верно, когда память +обучена. На совершенно новой линии, где памяти нет вовсе, разрез, наоборот, дорог: +21.8 → **31.8** ложных трека на километр. Это логично — он порождает кандидатов из +настоящих выступов тоннеля, и без памяти отличить их не от чего. Реальный сценарий — +именно с обученной памятью, она поставляется в образе; но если участок настолько +новый, что память к нему неприменима, `split_gap: 0.0` возвращает прежнее поведение. + +**Где разрез стоит денег — 2: стоянка.** На записи со **стоящим** поездом (`doubleT_obstacle`) +он добавляет один устойчивый трек на 76.6 м, и доля кадров с посторонней тревогой +растёт с 63 % до 96 %. Это не случайность: при нулевом пройденном пути не работают +ни накопитель, ни привыкание — оба живут в координатах пути. Число разных ложных +треков на этом бэге растёт всего с 4 до 5; раздувается именно доля кадров, потому +что на стоянке ничто не уходит из поля зрения. + +--- + +--- + +## 9.6. Почему `roundT_doubleT` остаётся слепым за 40 м + +Разрез по контрасту (п. 9.5) открыл `roundT_pressureGate_roundT`, но второй слепой +бэг не тронул. Покадровый разбор цепочки «лучи → кандидат → улика → тревога» на +штатной постановке полигона (предмет в точке, до которой от начала записи 200 м) +показал **две разные причины в двух разных полосах дальности**. Одна физическая, +вторая — наша. + +### Дальше 50 м: смотреть не на что + +Считаем, сколько лучей доходит до предмета, по этапам: + +| Дальность до предмета | Геометрически попали | Пережили модель сенсора | Не заслонены | +|---|---|---|---| +| 55–105 м | 29 | **29** | **1** | +| 30–55 м | 109 | 109 | 86 | + +Модель сенсора не теряет **ни одного** луча: предмет крупный, дальность паспортная. +Но за 55 м **98 % лучей упираются в эхо, которое ближе предмета**. Дело не в +отражательной способности и не в числе каналов — до предмета просто не доходит +линия взгляда. + +Это не артефакт постановки. Предмет пробовали ставить четырьмя способами — на +оценённую ось коридора, прямо по оси сенсора, на половину смещения и со сдвигом ++0.8 м; заслонение одинаково во всех четырёх, и дальность преграды тоже одна и та же: + +| Дальность до предмета | 104 | 94 | 84 | 74 | 64 | 54 | 45 | +|---|---|---|---|---|---|---|---| +| Преграда, м | 90 | 84 | 76 | 66 | 58 | 52 | **49** | +| Лучей видно (ось коридора) | 3/17 | 1/19 | 0/25 | 0/37 | 1/41 | 8/61 | **63/89** | + +Преграда приближается вместе с поездом и в какой-то момент **обгоняет** предмет: +на 45 м обзор доходит до 49 м, предмет оказывается ближе преграды — и 63 луча из 89 +приходят разом. Ровно с этого места и начинается обнаружение. + +Для сравнения, на том же замере `roundT_pressureGate_roundT` преграда всегда **за** +предметом (предмет на 104 м — преграда на 113 м; предмет на 56 м — преграда на 70 м), +поэтому там предмет виден, и разрез по контрасту может ему помочь. + +**Почему видимость на этом перегоне такая короткая.** По бэгу в целом вдоль оси пути +видно на 106 м (медиана), но полигон ставит предмет в точку за 200 м от начала +записи, а это самое начало проезда — как раз худший его участок. Плюс общий для всех +бэгов эффект: луч, идущий вдоль пути, **скользит по полотну**, и с какой-то дальности +прирельсовая зона перестаёт наблюдаться вовсе. Нижняя наблюдаемая точка у оси пути +(5-й процентиль высоты над головкой рельса): + +| Дальность | 20 м | 40 | 60 | 80 | 90 | 100 | +|---|---|---|---|---|---|---| +| `roundT_doubleT` | −0.35 | −0.32 | −0.21 | −0.07 | **+0.36** | **+0.64** | +| `roundT_pressureGate_roundT` | −0.32 | −0.32 | −0.06 | +0.18 | +0.10 | −0.11 | +| `doubleT_platform` | −0.35 | −0.36 | −0.34 | −0.06 | +0.08 | +0.35 | + +За 80–90 м самое низкое, что видно у оси, находится уже **выше рельса** на 0.1–0.6 м. +Это и есть предел скользящего луча, и он объясняет, почему у мелких лежащих предметов +видимость в полигоне 25–61 %: их просто нечем осветить. + +Никакой обработкой это не лечится. Лечится геометрической картой линии (п. 7.3) — +или вторым сенсором, поднятым выше. + +### 35–52 м: лучи есть, кандидата нет — и это наш порог + +Здесь картина обратная: лучей 83…146, а кандидата нет. + +| Дальность | 41.6 | 38.7 | 35.9 | 33.3 | 30.7 | 28.3 | +|---|---|---|---|---|---|---| +| Лучей на предмете | 83 | 101 | 126 | 146 | 168 | 200 | +| Кандидат при `split_near = 55` | нет | нет | нет | нет | есть | есть | +| Кандидат при `split_near = 20` | есть | есть | есть | есть | есть | есть | + +Причина — тот же мерж со стеной, что в п. 9.3, и наш собственный порог: разрез по +контрасту по умолчанию не применяется ближе 55 м. Порог был введён из соображения +«ближе покадровый тракт видит предмет и сам» — на этом бэге это неверно. + +Со сниженным порогом первая тревога наступает на **37.3 м вместо 28.3 м**, а доля +кадров без кандидата в окне 20–42 м падает с 44 % до 6 %. + +**Порог всё равно оставлен 55 м.** Цена снижения измерена честно — с пересбором кэша +кандидатов при `split_near = 20` и переобучением памяти на нём: + +| `split_near` | Ложных треков на км | Кадров с тревогой | +|---|---|---| +| **55 м** | **7.4** | **16.7 %** | +| 30 м | 14.1 | 25.6 % | +| 20 м (память не пересобрана) | 18.1 | 28.2 % | +| 20 м (**честно**, память переобучена) | 17.1 | 27.9 % | + +Переобучение на этот раз почти ничего не вернуло (18.1 → 17.1): ближние вырезанные +фигуры от препятствий действительно неотличимы. А выигрыш — девять метров на +дальности, где он ничего не меняет: ТЗ оценивает 100 / 200 / 300 м, и поезд на +50 км/ч не останавливается ни за 28, ни за 37 м. Платить за это 2.3-кратным ростом +ложных тревог нельзя. + +`split_near: 20.0` в конфиге доступен для линии, где обстановка беднее и ложные +тревоги дешевле. + + +--- + +## 10. Новый участок: привыкание внутри проезда — отрицательный результат + +Обученная память отвечает на вопрос «этот тоннель я уже видел». На новом участке +она бесполезна по определению, и это измеренная величина, а не абстрактный риск: + +| | Ложных треков на км | Кадров с тревогой | +|---|---|---| +| память обучена на других бэгах (leave-one-bag-out) | 9.1 | 17.2 % | +| **памяти нет вовсе (новая линия)** | **21.8** | **33.1 %** | + +Приватный тест — это как раз новый участок, поэтому вопрос важный. Механизм был +сделан, доведён до работы и **отвергнут по результатам замера**. Ниже — почему, +потому что отрицательный результат здесь содержательнее положительного. + +### Замысел + +**Тоннельная обстановка повторяется вдоль пути, а посторонний предмет — нет.** +Кабельный кронштейн, рама крепи, стык тюбингов встречаются каждые несколько метров +в одном и том же виде; разбор худшего бэга (п. 5.1) прямо это показал — пять из +восьми ложных треков были колоннами, повторяющимися каждые 13–20 м. Упавший же +предмет лежит в одном месте. + +Отсюда привыкание, считающее не по времени и не по числу кадров, а по **числу +разных точек пути**, где встретилась эта форма. Настоящий предмет виден сто кадров +подряд, но всё это время стоит в одной точке мира: его код депрессируется один раз +и остаётся новым до конца подъезда. Биологически это familiarity suppression +MBON-α′3, а момент депрессии разрешает координата пути из центрального комплекса — +роль, которую у мухи играют дофаминергические PPL1/PAM. + +### Что пришлось починить, чтобы механизм вообще заработал + +Обе ошибки найдены замером и сами по себе поучительны. + +**Полный набор признаков не годится.** Первая версия кодировала кандидата тем же +дескриптором, что и долговременная память. За двенадцать разных мест новизна упала +с 1.000 до 0.981 — то есть ни на что. В дескрипторе есть дальность, число лучей, +угловой размер, интенсивность: код одного и того же кронштейна с 90 и с 40 м +разъезжается, повторы не узнаются, а подъезжающий предмет каждый кадр выглядит +новой формой и привыкает сам к себе. Переведено на десять признаков формы, не +зависящих от дальности. + +**Нормировка обязана замирать.** Пока среднее и разброс пересчитываются, вместе с +ними плывёт код. У неподвижного предмета, чьи признаки формы не меняются вовсе, +набор активных клеток обновлялся настолько, что предмет засчитывался как +**двадцать шесть разных мест** и гасил сам себя. При пороге заморозки 4000 +кандидатов эффект оставался живуч: в `roundT_doubleT` (около 570 кандидатов за +проезд) нормировка не замирала никогда, привыкание стояло на 0.20, медианная +новизна кандидата 1.00, и ложных треков было ровно столько же, сколько без него. +Порог снижен до 300. + +### Почему всё равно отвергнуто + +После починок механизм начал давать цифры: leave-one-bag-out 7.5 → **5.9** ложных +трека на км, новая линия 31.8 → **26.8**. Выглядело как успех — до проверки +обратной стороны. + +**Привыкание глушило сам предмет.** Замер на вставленных предметах +(`doubleT_platform`, подъезд с 200 м): + +| | Новизна кандидата, 20–60 м | Обнаружение, 70–90 м | +|---|---|---| +| привыкание выключено | 0.75 | 95 % | +| привыкание включено | **0.24** | **74 %** | + +И это не «предмет заодно с обстановкой»: медианная новизна обычного кандидата в тех +же прогонах — 0.43…0.71, то есть **предмет подавлялся сильнее, чем тоннельная +обстановка**. Избирательность не просто мала, она отрицательна. + +**Причина — насыщение популяции, а не узнавание повторов.** За проезд набирается +около 270 событий депрессии по 80 клеток каждое; при популяции 4000 это 5.4 попадания +на клетку, то есть подавлено всё. Ровно та же ошибка, что описана в п. 8 для +долговременной памяти с мушиными параметрами, — и проверяется она так же, поднятием +ёмкости: + +| Ёмкость короткой памяти | Ложных треков на км (LOO) | Новизна предмета | Обнаружение 70–90 м | +|---|---|---|---| +| привыкание выключено | 7.5 | 0.75 | 95 % | +| 4 000 клеток | **5.9** | **0.24** | **74 %** | +| 20 000 клеток | 7.5 | 0.47 | 95 % | +| 50 000 клеток | 7.5 | 0.64 | 95 % | + +При ёмкости, достаточной чтобы не насыщаться, привыкание не меняет **ничего**: 7.5 +против 7.5 на обученной памяти и 31.8 против 31.8 на новой линии. Весь видимый +выигрыш был глобальным глушением — а его и так даёт порог решения, который у нас +уже есть отдельным параметром. + +Пробовались два способа сделать отсчёт избирательным, оба измерены и оба ничего не +дали: + +* **резкий отсчёт MBON**: вместо среднего по активным клеткам — квантиль 0.75 или + 0.90, то есть «знакомо, только если подавлено не меньше трёх четвертей кода». + Новизну предмета это вернуло (0.75), но и весь эффект тоже (7.5 → 7.5); +* **огрубление признаков** (coarse coding) до половины и до целого разброса, чтобы + два похожих кронштейна давали буквально один и тот же код: 7.5 / 7.5 / 7.5. + +### Что это на самом деле означает + +Коды двух разных экземпляров одной и той же конструкции не перекрываются настолько, +чтобы второй узнавал первого, даже после огрубления до целого стандартного +отклонения. Проще говоря: **в этих данных штатная обстановка повторяется не так +буквально, как предполагалось**. Разброс между экземплярами одной конструкции — +по ракурсу, по числу лучей, по тому, какая часть попала в габарит — больше, чем +разрешение любого разумного кода формы. + +Поэтому на новом участке работает то, что и работало: долговременная память, +обученная на других участках, снижает ложные тревоги с 21.8 до 9.1 трека на +километр. Признаки в дескрипторе намеренно смешаны — форма и угловой размер +переносятся на любой тоннель, положение в сечении запоминает конкретную обстановку, +и именно первая половина даёт этот перенос. + +**Механизм оставлен в коде и выключен** (`enable_habituation: false`) со всеми +параметрами: ёмкость, квантиль отсчёта, огрубление, шаг «разных мест», путь +полузабывания. На линии, где обстановка стандартизована сильнее, чем в этих записях, +он может заработать — но проверять это надо замером на той линии, а не надеждой. diff --git a/flyguard/__init__.py b/flyguard/__init__.py new file mode 100644 index 0000000..b6087c0 --- /dev/null +++ b/flyguard/__init__.py @@ -0,0 +1,16 @@ +"""FlyGuard — обнаружение посторонних объектов в тоннеле метро по данным 3D-лидара. + +Архитектура повторяет вычислительные схемы зрительной системы и грибовидных тел +Drosophila melanogaster, взятые из коннектома (FlyWire / hemibrain): + + retina омматидиальная решётка → дальностный образ + stabilizer жужжальца / оцеллии → стабилизация «взгляда» + lamina L1/L2, ON/OFF, center-surround→ локальный контраст + medulla T4/T5, EMD-корреляторы → оптический поток + lobula_plate LPTC (HS/VS), LPLC2 → эго-движение, looming + mushroom_body KC + APL + MBON → новизна / знакомость + central_complex кольцевой аттрактор (EB) → накопление улик, треки + descending Giant Fiber, DNp → решение +""" + +__version__ = "1.0.0" diff --git a/flyguard/bag.py b/flyguard/bag.py new file mode 100644 index 0000000..b555967 --- /dev/null +++ b/flyguard/bag.py @@ -0,0 +1,133 @@ +"""Чтение rosbag2 (storage sqlite3) без установленного ROS. + +Поддерживает многошардовые бэги (`new_data` — 221 файл `*.db3`), произвольные +имена топиков и порядок шардов по числовому суффиксу. Метаданные `metadata.yaml` +не требуются: список топиков берётся из самой БД, что снимает зависимость от PyYAML. +""" +from __future__ import annotations + +import re +import sqlite3 +from contextlib import closing +from dataclasses import dataclass +from pathlib import Path +from typing import Iterator + +from .cdr import PointCloud2, parse_pointcloud2 + +_SHARD_RE = re.compile(r"_(\d+)\.db3$") +_POINTCLOUD_TYPE = "sensor_msgs/msg/PointCloud2" + + +@dataclass(frozen=True) +class BagTopic: + name: str + type: str + count: int + + +class Bag: + """Последовательное чтение облаков точек из rosbag2.""" + + def __init__(self, path: str | Path, topic: str | None = None): + path = Path(path) + if path.is_dir(): + shards = sorted(path.glob("*.db3"), key=self._shard_key) + elif path.suffix == ".db3": + shards = [path] + else: + raise FileNotFoundError(f"не бэг и не .db3: {path}") + if not shards: + raise FileNotFoundError(f"в {path} нет файлов *.db3") + + self.path = path + self.shards = shards + self.topics = self._scan_topics() + self.topic = topic or self._pick_topic() + + @staticmethod + def _shard_key(p: Path) -> tuple[int, str]: + m = _SHARD_RE.search(p.name) + return (int(m.group(1)) if m else 0, p.name) + + def _scan_topics(self) -> dict[str, BagTopic]: + found: dict[str, BagTopic] = {} + for shard in self.shards: + with closing(self._connect(shard)) as con: + rows = con.execute( + "SELECT t.name, t.type, count(m.id) FROM topics t " + "LEFT JOIN messages m ON m.topic_id = t.id GROUP BY t.id" + ).fetchall() + for name, type_, count in rows: + prev = found.get(name) + found[name] = BagTopic(name, type_, (prev.count if prev else 0) + count) + return found + + def _pick_topic(self) -> str: + clouds = [t for t in self.topics.values() if t.type == _POINTCLOUD_TYPE] + if not clouds: + raise ValueError(f"в {self.path} нет топиков {_POINTCLOUD_TYPE}: " + f"{sorted(self.topics)}") + # при нескольких облачных топиках берём самый наполненный + return max(clouds, key=lambda t: t.count).name + + @staticmethod + def _connect(shard: Path) -> sqlite3.Connection: + return sqlite3.connect(f"file:{shard.as_posix()}?mode=ro&immutable=1", uri=True) + + def __len__(self) -> int: + return self.topics[self.topic].count + + def frames(self, start: int = 0, stop: int | None = None, + stride: int = 1) -> Iterator[tuple[int, PointCloud2]]: + """Выдать (timestamp_ns, облако) для сообщений выбранного топика. + + Индексация сквозная по всему бэгу; шарды читаются по порядку, внутри + шарда — по возрастанию времени. + """ + idx = 0 + for shard in self.shards: + # closing(), а не сам connection: у sqlite3 `with` управляет + # транзакцией и файл остаётся открытым — на Windows его потом + # невозможно удалить + with closing(self._connect(shard)) as con: + row = con.execute("SELECT id FROM topics WHERE name = ?", + (self.topic,)).fetchone() + if row is None: + continue + topic_id = row[0] + n_here = con.execute( + "SELECT count(*) FROM messages WHERE topic_id = ?", (topic_id,) + ).fetchone()[0] + if stop is not None and idx >= stop: + return + if idx + n_here <= start: + idx += n_here + continue + cur = con.execute( + "SELECT timestamp, data FROM messages WHERE topic_id = ? " + "ORDER BY timestamp", (topic_id,)) + for ts, blob in cur: + if stop is not None and idx >= stop: + return + if idx >= start and (idx - start) % stride == 0: + yield ts, parse_pointcloud2(blob) + idx += 1 + + def describe(self) -> str: + lines = [f"бэг: {self.path}", + f"шардов: {len(self.shards)}", + f"топик: {self.topic}"] + for t in sorted(self.topics.values(), key=lambda t: -t.count): + mark = "*" if t.name == self.topic else " " + lines.append(f" {mark} {t.name} [{t.type}] {t.count} сообщений") + return "\n".join(lines) + + +def find_bags(root: str | Path) -> list[Path]: + """Найти все каталоги-бэги под указанным корнем.""" + root = Path(root) + if not root.exists(): + return [] + out = {p.parent for p in root.rglob("*.db3")} + return sorted(out) diff --git a/flyguard/cdr.py b/flyguard/cdr.py new file mode 100644 index 0000000..2112f0a --- /dev/null +++ b/flyguard/cdr.py @@ -0,0 +1,130 @@ +"""Разбор sensor_msgs/msg/PointCloud2 из CDR без зависимости от ROS. + +Нужен для двух сценариев: + * офлайн-эксперименты на машине без ROS (Windows); + * прямое чтение rosbag внутри контейнера, минуя `ros2 bag play`. + +Внутри ROS-ноды сообщение приходит уже разобранным, и этот модуль не используется. +""" +from __future__ import annotations + +import struct +from dataclasses import dataclass + +import numpy as np + +# sensor_msgs/msg/PointField: код типа -> (numpy dtype, размер в байтах) +_PF_DTYPES = { + 1: ("i1", 1), 2: ("u1", 1), 3: ("i2", 2), 4: ("u2", 2), + 5: ("i4", 4), 6: ("u4", 4), 7: ("f4", 4), 8: ("f8", 8), +} + + +@dataclass(frozen=True) +class PointCloud2: + """Минимальное представление облака точек.""" + + stamp: float + frame_id: str + height: int + width: int + point_step: int + is_dense: bool + points: np.ndarray # структурированный массив длиной height*width + + @property + def n_points(self) -> int: + return int(self.points.shape[0]) + + +class _CdrReader: + """Чтение little-endian CDR с выравниванием примитивов относительно тела сообщения.""" + + __slots__ = ("buf", "origin", "pos") + + def __init__(self, buf: bytes | memoryview): + self.buf = buf + self.origin = 4 # заголовок инкапсуляции + self.pos = 4 + + def _align(self, size: int) -> None: + self.pos += (-(self.pos - self.origin)) % size + + def u8(self) -> int: + v = self.buf[self.pos] + self.pos += 1 + return v + + def u32(self) -> int: + self._align(4) + v = struct.unpack_from(" int: + self._align(4) + v = struct.unpack_from(" str: + n = self.u32() + s = bytes(self.buf[self.pos:self.pos + max(n - 1, 0)]).decode("utf-8", "replace") + self.pos += n + return s + + +def point_dtype(fields: list[tuple[str, int, int, int]], point_step: int) -> np.dtype: + """Собрать numpy-dtype по описанию полей, явно добивая пропуски паддингом. + + Поля лидара невыровнены (`timestamp` float64 по смещению 18), поэтому + структурированный dtype строится вручную, а не через `np.dtype(align=True)`. + """ + spec: list[tuple[str, str]] = [] + used = 0 + for name, offset, datatype, count in fields: + kind, size = _PF_DTYPES[datatype] + if offset > used: + spec.append((f"_pad{used}", f"V{offset - used}")) + elif offset < used: + raise ValueError(f"перекрывающиеся поля в PointCloud2: {name}") + spec.append((name, kind if count == 1 else f"{count}{kind}")) + used = offset + size * count + if point_step > used: + spec.append((f"_pad{used}", f"V{point_step - used}")) + dt = np.dtype(spec) + if dt.itemsize != point_step: + raise ValueError(f"dtype {dt.itemsize} байт != point_step {point_step}") + return dt + + +def parse_pointcloud2(blob: bytes | memoryview) -> PointCloud2: + """Разобрать CDR-сериализованное sensor_msgs/msg/PointCloud2.""" + r = _CdrReader(blob) + sec = r.i32() + nsec = r.u32() + frame_id = r.string() + height = r.u32() + width = r.u32() + + fields = [] + for _ in range(r.u32()): + name = r.string() + offset = r.u32() + datatype = r.u8() + count = r.u32() + fields.append((name, offset, datatype, count)) + + r.u8() # is_bigendian: в данных всегда 0, little-endian + point_step = r.u32() + r.u32() # row_step + n_bytes = r.u32() + data = memoryview(blob)[r.pos:r.pos + n_bytes] + r.pos += n_bytes + is_dense = bool(r.u8()) + + dt = point_dtype(fields, point_step) + points = np.frombuffer(data, dtype=dt, count=height * width) + return PointCloud2(stamp=sec + nsec * 1e-9, frame_id=frame_id, height=height, + width=width, point_step=point_step, is_dense=is_dense, + points=points) diff --git a/flyguard/central_complex.py b/flyguard/central_complex.py new file mode 100644 index 0000000..8110d59 --- /dev/null +++ b/flyguard/central_complex.py @@ -0,0 +1,236 @@ +"""CENTRAL COMPLEX — накопление улик и треки в мировой системе координат. + +Эллипсоидное тело мухи держит **кольцевой аттрактор**: клетки EPG образуют один +«бугор» активности, кодирующий текущий курс, клетки PEN сдвигают этот бугор по +сигналам собственного вращения, а взаимное торможение не даёт возникнуть второму +бугру. Так муха помнит направление, даже когда ориентир пропал из виду. + +Здесь тот же механизм решает другую задачу. Кандидат на дальности 150 м — это +пять-десять лучей, и по одному кадру он неотличим от шума. Но поезд едет, и +объект, если он настоящий, остаётся **на одном и том же месте в тоннеле**, а не в +поле зрения. Поэтому треки живут в координате «расстояние по пути от точки +старта», сдвигаемой оценкой собственного движения (роль PEN), каждое совпадение +подкачивает улику (локальное возбуждение), несовпадение — утечка, а конкуренция +за одно и то же место не даёт плодить дубликаты (глобальное торможение APL/Δ7). + +Это и есть подтверждение по нескольким кадрам, которого требует ТЗ, — но не как +эвристический фильтр, а как накопитель, который вытягивает слабый сигнал из шума. +""" +from __future__ import annotations + +import itertools +from dataclasses import dataclass, field + +import numpy as np + +from .lobula import Candidate + + +@dataclass +class Track: + """Подтверждаемая гипотеза о препятствии.""" + + id: int + s_world: float # положение вдоль пути от начала записи, м + u: float # смещение от оси пути, м + h: float # высота над рельсом, м + width: float + height: float + evidence: float = 0.0 # накопленная улика, 0…1 + hits: int = 0 + misses: int = 0 + age: int = 0 + first_d: float = 0.0 # на какой дальности впервые замечен + last_d: float = 0.0 + last_n_rays: int = 0 + novelty: float = 1.0 + speed_lat: float = 0.0 # поперечная скорость, м/с + history: list = field(default_factory=list) + + @property + def confirmed(self) -> bool: + return self.evidence >= 0.5 + + def distance(self, s_now: float) -> float: + return self.s_world - s_now + + +class CentralComplex: + """Накопитель улик и менеджер треков.""" + + def __init__(self, *, gate_d: float = 4.0, gate_u: float = 1.2, + gain: float = 0.34, leak: float = 0.12, + inhibition: float = 0.05, max_misses: int = 12, + max_tracks: int = 48, use_shape: bool = True, + mbon_power: float = 1.0, mbon_blend: float = 1.0): + self.use_shape = use_shape + self.mbon_power = mbon_power + self.mbon_blend = mbon_blend + self.gate_d = gate_d + self.gate_u = gate_u + self.gain = gain + self.leak = leak + self.inhibition = inhibition + self.max_misses = max_misses + self.max_tracks = max_tracks + self.tracks: list[Track] = [] + self.s_world = 0.0 + self._ids = itertools.count(1) + + # ------------------------------------------------------------------ обновление + + def update(self, candidates: list[Candidate], ds: float, dt: float) -> list[Track]: + """Сдвинуть мир на `ds`, сопоставить кандидатов, обновить улики.""" + self.s_world += ds + + # допуск по дальности растёт с расстоянием: там и разрешение грубее, + # и ошибка оценки собственного движения успевает накопиться + for t in self.tracks: + t.age += 1 + + used = set() + for t in self.tracks: + d_pred = t.distance(self.s_world) + best, best_cost = None, None + for k, c in enumerate(candidates): + if k in used: + continue + gd = self.gate_d + 0.05 * max(c.d, 0.0) + dd = abs(c.d - d_pred) + du = abs(c.u - t.u) + if dd > gd or du > self.gate_u + 0.4: + continue + cost = dd / gd + du / (self.gate_u + 0.4) + if best_cost is None or cost < best_cost: + best, best_cost = k, cost + if best is None: + t.misses += 1 + t.evidence = max(0.0, t.evidence - self.leak) + continue + + c = candidates[best] + used.add(best) + t.hits += 1 + t.misses = 0 + w = _quality(c, self.use_shape, self.mbon_power, self.mbon_blend) + t.evidence = min(1.0, t.evidence + self.gain * w) + if dt > 1e-3: + t.speed_lat = 0.6 * t.speed_lat + 0.4 * (c.u - t.u) / dt + # положение сглаживается: ближние наблюдения точнее дальних + a = float(np.clip(0.5 * (60.0 / max(c.d, 20.0)), 0.15, 0.6)) + t.s_world = (1 - a) * t.s_world + a * (self.s_world + c.d) + t.u = (1 - a) * t.u + a * c.u + t.h = (1 - a) * t.h + a * c.h + t.width = max(t.width * 0.7, c.width) + t.height = max(t.height * 0.7, c.height) + t.last_d = c.d + t.last_n_rays = c.n_rays + t.novelty = 0.7 * t.novelty + 0.3 * c.novelty + t.history.append((c.d, c.u, c.n_rays)) + if len(t.history) > 64: + del t.history[:-64] + + # новые гипотезы из несопоставленных кандидатов + for k, c in enumerate(candidates): + if k in used or len(self.tracks) >= self.max_tracks: + continue + t = Track(id=next(self._ids), s_world=self.s_world + c.d, u=c.u, h=c.h, + width=c.width, height=c.height, first_d=c.d, last_d=c.d, + last_n_rays=c.n_rays, novelty=c.novelty) + t.evidence = self.gain * _quality(c, self.use_shape, + self.mbon_power, self.mbon_blend) + t.hits = 1 + self.tracks.append(t) + + # глобальное торможение: сильный трек подавляет соседей по месту + self._inhibit() + + self.tracks = [t for t in self.tracks + if t.misses <= self.max_misses and t.evidence > 0.02 + and t.distance(self.s_world) > -5.0] + self.tracks.sort(key=lambda t: -t.evidence) + del self.tracks[self.max_tracks:] + return self.tracks + + def _inhibit(self) -> None: + if len(self.tracks) < 2 or self.inhibition <= 0: + return + order = sorted(self.tracks, key=lambda t: -t.evidence) + for i, strong in enumerate(order): + for weak in order[i + 1:]: + if (abs(strong.s_world - weak.s_world) < self.gate_d + and abs(strong.u - weak.u) < self.gate_u): + weak.evidence = max(0.0, weak.evidence - self.inhibition) + + def confirmed(self) -> list[Track]: + out = [t for t in self.tracks if t.confirmed and t.distance(self.s_world) > 0] + out.sort(key=lambda t: t.distance(self.s_world)) + return out + + +def _quality(c: Candidate, use_shape: bool = True, mbon_power: float = 1.0, + mbon_blend: float = 1.0) -> float: + """Вес одного наблюдения: сколько улики оно добавляет. + + Дальний объект даёт мало лучей не потому, что он сомнительный, а потому что + так устроена решётка, — поэтому число лучей нормируется на ожидаемое для + этой дальности. Остальные множители отделяют предмет от конструкции тоннеля: + предмет целиком помещается в габарит и компактен вдоль пути, а лоток или + стена тянутся дальше и в стороны. Новизна из грибовидного тела входит сюда + же множителем. + """ + expected = max(3.0, 2500.0 / max(c.d, 5.0) ** 1.4) + support = float(np.clip(c.n_rays / expected, 0.25, 1.0)) + + # Контраст к фону — главная улика вблизи и недоступная вдали. На 170 м + # кольцо окружения ламины упирается в стену тоннеля, стоящую на той же + # дальности, и `gap` структурно равен нулю: предмет не «ближе окружения», + # он «на той же дальности, что окружение». Замер это подтверждает — + # у вставленного человека на 140…185 м gap = 0.0 во ВСЕХ кадрах. + # + # Там, где контраст не измеряется, его заменяет опора веерного тела: + # возвращались ли лучи из этой точки пути кадр за кадром. Берётся + # максимум — вблизи решает контраст, вдали накопление. + contrast = float(np.clip(c.gap / 3.0, 0.2, 1.0)) + acc = float(c.extra.get("acc_support", 0.0)) if c.extra else 0.0 + if acc > 0.0: + contrast = max(contrast, float(np.clip(acc, 0.2, 1.0))) + if use_shape: + whole = float(np.clip((c.containment - 0.25) / 0.45, 0.05, 1.0)) + # протяжённость вдоль пути сверх собственного размера — признак конструкции + span = max(c.width, c.height, 0.2) + compact = float(np.clip(1.5 - c.depth / (3.0 * span), 0.1, 1.0)) + # опора снизу: упавший предмет, человек, камень стоят на полотне, а знак, + # лоток или кронштейн висят на стене, и под ними пусто + grounded = float(np.clip(1.25 - c.h_min / 1.2, 0.15, 1.0)) + else: + whole = compact = grounded = 1.0 + novel = novelty_gain(c.novelty) + hand = support * contrast * whole * compact * grounded + + # Обученное считывание MBON, если оно есть. Модель видит те же признаки, + # что и шесть множителей выше, плюс тень и интенсивность, которых в ручной + # формуле нет вовсе. Знакомость в неё НЕ входит и остаётся отдельным + # каналом: физику решает модель, конкретный тоннель — память. + # + # `mbon_blend` — геометрическое смешивание с ручной формулой: 1 — только + # модель, 0 — только руками, между ними всё промежуточное. Нужно затем, + # чтобы размен «модель против ручной формулы» мерился, а не объявлялся. + p = c.extra.get("mbon") if c.extra else None + if p is not None and mbon_blend > 0.0: + pm = float(np.clip(p, 1e-4, 1.0)) ** max(mbon_power, 1e-3) + b = float(np.clip(mbon_blend, 0.0, 1.0)) + hand = pm ** b * max(hand, 1e-4) ** (1.0 - b) + return float(np.clip(hand * novel, 0.0, 1.0)) + + +def novelty_gain(novelty: float, lo: float = 0.15, hi: float = 0.50, + floor: float = 0.05) -> float: + """Ответ MBON → множитель улики. + + Пороги взяты по измеренному разделению (`tools/tune_memory.py`): знакомая + обстановка даёт новизну около 0.14, реальный объект — около 0.50. Отображение + делает разницу резкой, но оставляет ненулевой пол: даже похожий на привычную + конструкцию предмет должен накапливать улику, просто медленнее. + """ + return float(np.clip((novelty - lo) / (hi - lo), floor, 1.0)) diff --git a/flyguard/descending.py b/flyguard/descending.py new file mode 100644 index 0000000..97a147f --- /dev/null +++ b/flyguard/descending.py @@ -0,0 +1,111 @@ +"""DESCENDING NEURONS — решение. + +Весь разбор сцены у мухи сходится на нескольких десятках нисходящих нейронов, +идущих в грудной ганглий. Два из них работают как раз по надвигающемуся объекту: + +* **Giant Fiber (DNp01)** — один толстый аксон с высоким порогом. Срабатывает + только на близкое и быстрое надвигание и запускает немедленный аварийный + взлёт, жертвуя устойчивостью ради скорости. +* **DNp02/DNp11** — порог ниже, реакция раньше и мягче: муха успевает + подготовиться, не срываясь в паническое движение. + +Поезду нужна ровно такая же пара уровней: заблаговременное предупреждение с +запасом по дальности и экстренное торможение по надёжному близкому объекту. +Гистерезис здесь — не украшение: без него трек на пороге даёт дребезг, а +дребезжащая команда торможения хуже её отсутствия. +""" +from __future__ import annotations + +from dataclasses import dataclass, field + +from .central_complex import CentralComplex, Track + +BRAKING_DECEL = 1.0 # м/с², служебное торможение метропоезда (оценка) +REACTION_TIME = 1.5 # с, задержка канала «решение → тормоз» + + +@dataclass +class DetectedObject: + distance: float + lateral: float + height: float + width: float + size_v: float + confidence: float + novelty: float + n_rays: int + track_id: int + ttc: float + + +@dataclass +class Decision: + """Выход системы за один кадр.""" + + detected: bool = False + emergency: bool = False + distance: float = float("inf") + ttc: float = float("inf") + confidence: float = 0.0 + stopping_distance: float = 0.0 + objects: list[DetectedObject] = field(default_factory=list) + speed: float = 0.0 + + @property + def clear(self) -> bool: + return not self.detected + + +class DescendingNeurons: + """Два порога с гистерезисом поверх подтверждённых треков.""" + + def __init__(self, *, warn_evidence: float = 0.5, clear_evidence: float = 0.3, + emergency_evidence: float = 0.75, min_hits: int = 3, + novelty_floor: float = 0.10, max_range: float = 200.0): + self.warn_evidence = warn_evidence + self.clear_evidence = clear_evidence + self.emergency_evidence = emergency_evidence + self.min_hits = min_hits + self.novelty_floor = novelty_floor + self.max_range = max_range + self._latched: set[int] = set() + + def decide(self, cx: CentralComplex, speed: float) -> Decision: + out = Decision(speed=speed) + stop = speed * REACTION_TIME + speed * speed / (2 * BRAKING_DECEL) + out.stopping_distance = stop + + live: list[tuple[Track, float]] = [] + for t in cx.tracks: + d = t.distance(cx.s_world) + if not (0.0 < d <= self.max_range): + self._latched.discard(t.id) + continue + # гистерезис: попавший в тревогу трек держится до нижнего порога + on = self.warn_evidence if t.id not in self._latched else self.clear_evidence + if t.evidence < on or t.hits < self.min_hits or t.novelty < self.novelty_floor: + self._latched.discard(t.id) + continue + self._latched.add(t.id) + live.append((t, d)) + + if not live: + return out + + live.sort(key=lambda p: p[1]) + for t, d in live: + ttc = d / speed if speed > 0.5 else float("inf") + out.objects.append(DetectedObject( + distance=d, lateral=t.u, height=t.h, width=t.width, size_v=t.height, + confidence=min(1.0, t.evidence * t.novelty + 0.0), + novelty=t.novelty, n_rays=t.last_n_rays, track_id=t.id, ttc=ttc)) + + nearest, d0 = live[0] + out.detected = True + out.distance = d0 + out.ttc = d0 / speed if speed > 0.5 else float("inf") + out.confidence = max(o.confidence for o in out.objects) + out.emergency = any( + t.evidence >= self.emergency_evidence and (d <= max(stop, 25.0)) + for t, d in live) + return out diff --git a/flyguard/fan_body.py b/flyguard/fan_body.py new file mode 100644 index 0000000..32133ba --- /dev/null +++ b/flyguard/fan_body.py @@ -0,0 +1,180 @@ +"""FAN-SHAPED BODY — накопление слабых улик в координатах пути. + +Покадровое решение проваливается там, где предмет даёт единицы лучей. На 170 м +человек освещён **в каждом** кадре, но всего пятью лучами: формы из них не +построить, а локальный контраст на такой дальности обнуляется — кольцо +окружения ламины упирается в стену тоннеля, которая на той же дальности. +Зато предмет неподвижен в мире, а тоннель проплывает мимо: за проход одни и те +же пять лучей попадают в одну и ту же точку пространства семнадцать раз подряд. + +Именно так устроено веерное тело центрального комплекса мухи: оно копит +вектор к цели в координатах, привязанных к миру, а не к текущему кадру, и +достаёт из слабого повторяющегося сигнала то, чего нет ни в одном отдельном +наблюдении. + +Здесь то же самое буквально: сетка, привязанная к пройденному пути, в которую +кадр за кадром складываются лучи из габарита. Сетка сдвигается на пройденное +расстояние, поэтому неподвижный предмет всегда попадает в одну ячейку, а шум +и случайные отражения размазываются. + +Своих кандидатов накопитель не порождает — это проверено и отвергнуто +измерением: по геометрии накопленное скопление предмета и накопленный кусок +конструкции тоннеля неразличимы (совпадают все десять признаков, от дальности +до протяжённости). Разделяет их только память тоннеля, а ей нужны признаки +кадра, которых у скопления нет. + +Роль накопителя другая и точная: он отвечает про **уже найденного покадрового +кандидата**, возвращались ли лучи из этой точки мира кадр за кадром. На +больших дальностях это единственная доступная улика — локальный контраст там +структурно равен нулю, потому что кольцо окружения ламины упирается в стену +тоннеля, стоящую на той же дальности. + +Стоимость — доли миллисекунды: пара тысяч лучей в `bincount` по сетке из +пятнадцати тысяч ячеек. +""" +from __future__ import annotations + +from dataclasses import dataclass + +import numpy as np +from scipy import ndimage + + +# Шаг сетки вдоль пути крупный намеренно: оценка собственного движения копит +# ошибку около 3 %, за семнадцать кадров это уже 0.7 м. Мелкая ячейка размазала +# бы предмет по соседям и убила весь смысл накопления. Для отчёта о дистанции +# 2 м всё равно на порядок точнее допуска (12 % дальности). +DS_BIN = 2.0 # м вдоль пути +DU_BIN = 0.20 # м поперёк +DH_BIN = 0.25 # м по высоте + +DECAY = 0.97 # забывание: полураспад около 23 кадров +MIN_FRAMES = 6 # меньше — это вспышка, а не предмет +MAX_SPAN_S = 8.0 # м: длиннее — это стена или лоток, а не предмет +MAX_WIDTH = 1.5 # м: шире — край габарита, а не предмет +BG_WIN_M = 24.0 # м: окно оценки фона вдоль пути + + +@dataclass +class Accumulated: + """Скопление попаданий в одной точке пути.""" + + d: float + u: float + h: float + h_min: float + width: float + height: float + span_s: float + hits: float + frames: float + support: float # попаданий относительно ожидаемого для этой дальности + + +class FanBody: + """Сетка в координатах пути, копящая лучи из габарита.""" + + def __init__(self, *, d_max: float = 220.0, half_width: float = 1.6, + h_lo: float = 0.28, h_hi: float = 2.3, + d_near: float = 55.0, min_support: float = 0.8, + ref_rays: float = 1.4, ref_d: float = 175.0): + self.ds, self.du, self.dh = DS_BIN, DU_BIN, DH_BIN + self.h_lo, self.h_hi = h_lo, h_hi + self.half_width = half_width + self.d_near = d_near # ближе этого покадровый тракт и так справляется + self.min_support = min_support + # Сколько попаданий ждать от настоящего предмета на данной дальности. + # Калибровано по замеру: человек, вставленный в реальный проезд, даёт + # после вычитания фона и разброса по ячейкам эквивалент 1.4 луча в + # кадре на 175 м (пять лучей приходят, но часть уходит в фон и в + # соседние ячейки). Число лучей падает как 1/R², накопление держит + # около 1/(1−DECAY) кадров. + self.k_expect = ref_rays * ref_d ** 2 / (1.0 - DECAY) + + self.n_s = int(np.ceil(d_max / self.ds)) + 1 + self.n_u = int(np.ceil(2 * half_width / self.du)) + 1 + self.n_h = int(np.ceil((h_hi - h_lo) / self.dh)) + 1 + self.hits = np.zeros((self.n_s, self.n_u, self.n_h), np.float32) + self.seen = np.zeros((self.n_s, self.n_u), np.float32) + self._off = 0.0 # смещение начала сетки внутри ячейки, м + + # ------------------------------------------------------------------ такт + + def update(self, d: np.ndarray, u: np.ndarray, h: np.ndarray, ds: float) -> None: + """Сдвинуть сетку на пройденное `ds` и досыпать лучи текущего кадра.""" + self._advance(ds) + if d.size == 0: + return + si = ((self._off + d) / self.ds).astype(np.int32) + ui = ((u + self.half_width) / self.du).astype(np.int32) + hi = ((h - self.h_lo) / self.dh).astype(np.int32) + ok = ((si >= 0) & (si < self.n_s) & (ui >= 0) & (ui < self.n_u) + & (hi >= 0) & (hi < self.n_h)) + if not ok.any(): + return + flat = (si[ok] * self.n_u + ui[ok]) * self.n_h + hi[ok] + self.hits += np.bincount(flat, minlength=self.hits.size).reshape(self.hits.shape) + # «Кадров подряд» считается по столбцу, а не по ячейке высоты: предмет + # может качнуться на четверть метра, и это не повод обнулять счёт. + col = np.unique(si[ok] * self.n_u + ui[ok]) + self.seen.ravel()[col] += 1.0 + + def _advance(self, ds: float) -> None: + self.hits *= DECAY + self.seen *= DECAY + if ds <= 0: + return + self._off += ds + k = int(self._off // self.ds) + if k <= 0: + return + self._off -= k * self.ds + if k >= self.n_s: + self.hits[:] = 0.0 + self.seen[:] = 0.0 + return + self.hits[:-k] = self.hits[k:] + self.hits[-k:] = 0.0 + self.seen[:-k] = self.seen[k:] + self.seen[-k:] = 0.0 + + # ------------------------------------------------------------------ съём + + def support_at(self, d: np.ndarray, u: np.ndarray) -> np.ndarray: + """Опора накопителя в точках пути: во сколько раз попаданий больше фона. + + Своих кандидатов накопитель не порождает намеренно. Замер показал, что + по геометрии накопленное скопление предмета и накопленный кусок + конструкции тоннеля неразличимы: совпадают дальность, смещение, высота, + ширина, протяжённость — всё. Разделяет их только память тоннеля, а она + работает с признаками кадра (контраст, интенсивность, тень), которых у + скопления нет. + + Поэтому накопитель отвечает на один вопрос про уже найденного + покадрового кандидата: **возвращались ли лучи из этой точки мира кадр + за кадром**. На больших дальностях это единственная доступная улика: + локальный контраст там структурно равен нулю, потому что кольцо + окружения упирается в стену тоннеля на той же дальности. + """ + if d.size == 0: + return np.zeros(0, np.float32) + col = self.hits.sum(axis=2) + win = max(int(BG_WIN_M / self.ds) | 1, 3) + base = ndimage.median_filter(col, size=(win, 1), mode="nearest") + resid = np.maximum(col - base, 0.0) + + si = np.clip(((self._off + d) / self.ds).astype(np.int32), 0, self.n_s - 1) + ui = np.clip(((u + self.half_width) / self.du).astype(np.int32), 0, self.n_u - 1) + # окно ±1 ячейка: предмет шире одной ячейки, а оценка пути слегка плывёт + tot = np.zeros(d.size, np.float32) + frames = np.zeros(d.size, np.float32) + for ds_ in (-1, 0, 1): + for du_ in (-1, 0, 1): + a = np.clip(si + ds_, 0, self.n_s - 1) + b = np.clip(ui + du_, 0, self.n_u - 1) + tot += resid[a, b] + frames = np.maximum(frames, self.seen[a, b]) + expect = self.k_expect / np.maximum(d, 1.0) ** 2 + sup = tot / np.maximum(expect, 1e-6) + # без нескольких кадров подряд это не улика, а вспышка + return np.where(frames > MIN_FRAMES, sup, 0.0).astype(np.float32) diff --git a/flyguard/geometry.py b/flyguard/geometry.py new file mode 100644 index 0000000..506bed4 --- /dev/null +++ b/flyguard/geometry.py @@ -0,0 +1,324 @@ +"""Система координат пути, плоскость рельсов и «ожидаемая дальность до пола». + +Соответствие мухе — **жужжальца и оцеллии**. Прежде чем обрабатывать изображение, +муха стабилизирует взгляд: жужжальца дают угловые скорости, оцеллии — направление +на горизонт, и голова доворачивается так, чтобы зрительный мир не «плавал». +Здесь роль горизонта играет плоскость пути: она оценивается по самим данным +в каждом кадре, поэтому крепление сенсора не обязано быть жёстким, а качка +вагона не превращается в ложные срабатывания. + +Ключевая величина дальше по конвейеру — **ожидаемая дальность до пола** для +каждого луча. Луч с отрицательной элевацией, если ему ничто не мешает, обязан +закончиться на плоскости пути на строго определённом расстоянии. Всё, что +обрывает его раньше, — предмет, стоящий на пути. Это даёт детектор, не зависящий +от абсолютного размера объекта и работающий на любой дальности. + +Система координат пути (используется во всём проекте): + d — вперёд по ходу движения, м (в кадре сенсора это −y) + u — поперёк, вправо, м (в кадре сенсора это x) + h — вверх от плоскости рельсов, м +""" +from __future__ import annotations + +from dataclasses import dataclass + +import numpy as np + +from .retina import RangeImage, ScanLayout + + +@dataclass(frozen=True) +class RailPlane: + """Плоскость головок рельсов в системе сенсора: z = a·d + b·u + c.""" + + a: float # тангаж: подъём плоскости с расстоянием + b: float # крен: наклон плоскости поперёк + c: float # −высота сенсора над путём (c < 0) + inliers: int + rms: float + + @property + def height(self) -> float: + """Высота сенсора над головкой рельса, м.""" + return -self.c + + @property + def pitch_deg(self) -> float: + return float(np.degrees(np.arctan(self.a))) + + @property + def roll_deg(self) -> float: + return float(np.degrees(np.arctan(self.b))) + + def height_of(self, d: np.ndarray, u: np.ndarray, z: np.ndarray) -> np.ndarray: + """Высота точек над плоскостью пути.""" + return z - (self.a * d + self.b * u + self.c) + + def floor_range(self, layout: ScanLayout) -> np.ndarray: + """Дальность, на которой каждый луч упёрся бы в плоскость пути. + + Луч r·(dx, dy, dz); подстановка в уравнение плоскости даёт + r = c / (dz + a·dy − b·dx). Лучи, уходящие вверх или параллельно + плоскости, получают +inf. + """ + dx = layout.dirs[..., 0] + dy = layout.dirs[..., 1] + dz = layout.dirs[..., 2] + denom = dz + self.a * dy - self.b * dx + with np.errstate(divide="ignore", invalid="ignore"): + r = self.c / denom + return np.where((denom < -1e-6) & np.isfinite(r), r, np.float32(np.inf)).astype(np.float32) + + +DEFAULT_PLANE = RailPlane(a=0.0, b=0.0, c=-2.19, inliers=0, rms=0.0) + + +def fit_rail_plane(img: RangeImage, layout: ScanLayout, *, + d_min: float = 6.0, d_max: float = 45.0, + u_max: float = 1.9, cell_d: float = 1.0, cell_u: float = 0.25, + iters: int = 4, prev: RailPlane | None = None, + smooth: float = 0.25) -> RailPlane: + """Робастная оценка плоскости пути по ближней зоне. + + В каждой ячейке сетки (d, u) остаётся только самая низкая точка — это + отсекает шпалы, кабельные лотки и всё, что стоит на полотне. Затем идут + итерации перевзвешенных наименьших квадратов с мягкой функцией Хьюбера, + после чего подгонка повторяется уже только по точкам у самой плоскости. + + `smooth` задаёт постоянную времени экспоненциального сглаживания по кадрам: + плоскость пути физически не может прыгать, и сглаживание играет ту же роль, + что обратная связь от жужжалец, — гасит дрожание оценки. + """ + xyz = img.xyz(layout) + x, y, z = xyz[..., 0], xyz[..., 1], xyz[..., 2] + d = -y + sel = img.valid & (d > d_min) & (d < d_max) & (np.abs(x) < u_max) + if sel.sum() < 200: + return prev or DEFAULT_PLANE + + dv = d[sel].astype(np.float64) + uv = x[sel].astype(np.float64) + zv = z[sel].astype(np.float64) + + # самая низкая точка в каждой ячейке — грубое выделение полотна + ci = ((dv - d_min) / cell_d).astype(np.int64) + cj = ((uv + u_max) / cell_u).astype(np.int64) + key = ci * 10_000 + cj + order = np.lexsort((zv, key)) + key_s = key[order] + first = np.ones(key_s.size, bool) + first[1:] = key_s[1:] != key_s[:-1] + idx = order[first] + if idx.size < 40: + return prev or DEFAULT_PLANE + + dd, uu, zz = dv[idx], uv[idx], zv[idx] + coef = _irls_plane(dd, uu, zz, iters) + if coef is None: + return prev or DEFAULT_PLANE + + # второй проход: только точки у найденной плоскости, уже без отбора минимумов + res_all = zv - (coef[0] * dv + coef[1] * uv + coef[2]) + near = np.abs(res_all) < 0.18 + if near.sum() > 300: + c2 = _irls_plane(dv[near], uv[near], zv[near], iters) + if c2 is not None: + coef = c2 + + res = zv - (coef[0] * dv + coef[1] * uv + coef[2]) + keep = np.abs(res) < 0.2 + plane = RailPlane(a=float(coef[0]), b=float(coef[1]), c=float(coef[2]), + inliers=int(keep.sum()), + rms=float(np.sqrt(np.mean(res[keep] ** 2))) if keep.any() else 9.9) + + # защита от вырождения: высота сенсора над путём физически ограничена + if not (0.5 < plane.height < 5.0) or abs(plane.pitch_deg) > 8 or abs(plane.roll_deg) > 8: + return prev or DEFAULT_PLANE + if prev is not None and smooth > 0: + k = smooth + plane = RailPlane(a=k * plane.a + (1 - k) * prev.a, + b=k * plane.b + (1 - k) * prev.b, + c=k * plane.c + (1 - k) * prev.c, + inliers=plane.inliers, rms=plane.rms) + return plane + + +def _irls_plane(d: np.ndarray, u: np.ndarray, z: np.ndarray, iters: int): + """z ≈ a·d + b·u + c с мягким Хьюбером.""" + A = np.stack([d, u, np.ones_like(d)], axis=1) + w = np.ones_like(z) + coef = np.array([0.0, 0.0, float(np.median(z))]) + for _ in range(iters): + try: + coef, *_ = np.linalg.lstsq(A * w[:, None], z * w, rcond=None) + except np.linalg.LinAlgError: + return None + res = z - A @ coef + s = 1.4826 * np.median(np.abs(res - np.median(res))) + 1e-3 + w = 1.0 / np.sqrt(1.0 + (res / (2.0 * s)) ** 2) + return coef + + +@dataclass +class Corridor: + """Осевая линия пути впереди: u_c(d) = c0 + c1·d + c2·d². + + Оценивается по дрейфу центра сечения тоннеля с расстоянием. В прямом + тоннеле c1 ≈ c2 ≈ 0; в кривой радиуса R член c2 ≈ 1/(2R). Нужна, чтобы + габарит на 150 м впереди не «въезжал» в стену на повороте — иначе вся + дальняя зона кривой превращается в сплошное ложное срабатывание. + """ + + coef: np.ndarray # (3,) + d_max_seen: float # дальше этого — экстраполяция + n_slices: int + radius: float # оценка радиуса кривой, м (inf для прямой) + + def centre(self, d: np.ndarray) -> np.ndarray: + """Ось пути на дальности d. + + За пределами наблюдавшейся дальности парабола продолжается **линейно**, + по касательной: экстраполировать кривизну туда, где данных не было, + значит получить десятки метров ошибки на ровном месте. + """ + d = np.asarray(d, np.float32) + c0, c1, c2 = self.coef + dm = np.float32(max(self.d_max_seen, 1.0)) + d_in = np.minimum(d, dm) + u = c0 + c1 * d_in + c2 * d_in * d_in + slope = c1 + 2.0 * c2 * dm + return (u + slope * np.maximum(d - dm, 0.0)).astype(np.float32) + + def sigma(self, d: np.ndarray, base: float = 0.25, rate: float = 0.004) -> np.ndarray: + """Неопределённость положения оси: растёт с дальностью и за горизонтом видимости.""" + d = np.asarray(d, np.float32) + extra = np.maximum(d - np.float32(self.d_max_seen), 0.0) + return (base + rate * d + 0.02 * extra).astype(np.float32) + + +STRAIGHT = Corridor(np.zeros(3), 0.0, 0, float("inf")) + +MIN_TRACK_RADIUS = 300.0 # м, круче на перегонах метрополитена не бывает +MAX_AXIS_RATE = 0.35 # м за кадр, предел изменения оси на дальности 100 м + + +def fit_corridor(tf: "TrackFrame", *, d_lo: float = 8.0, d_hi: float = 220.0, + n_slices: int = 30, h_lo: float = 0.6, h_hi: float = 3.2, + min_pts: int = 60, d_ref: float = 22.0, + prev: Corridor | None = None, smooth: float = 0.08) -> Corridor: + """Оценить осевую линию пути по смещению центра сечения тоннеля. + + Каждый срез по дальности даёт одну оценку центра свода. Веса берутся + **равными по срезам**, а не по числу точек: у ближних срезов точек в сотни + раз больше, и взвешивание по количеству полностью подавило бы дальние срезы, + в которых как раз и содержится кривизна. + """ + edges = np.geomspace(d_lo, d_hi, n_slices + 1) + ds, us = [], [] + for lo, hi in zip(edges[:-1], edges[1:]): + m = tf.valid & (tf.d >= lo) & (tf.d < hi) & (tf.h > h_lo) & (tf.h < h_hi) + if int(m.sum()) < min_pts: + continue + uu = tf.u[m] + lo_u, hi_u = np.percentile(uu, (3.0, 97.0)) + if hi_u - lo_u < 1.5: # видна только одна стена — центр не определить + continue + ds.append(0.5 * (lo + hi)) + us.append(0.5 * (lo_u + hi_u)) + if len(ds) < 5: + return prev or STRAIGHT + + d = np.asarray(ds, np.float64) + u = np.asarray(us, np.float64) + + # положение поезда в сечении: медиана центров ближней зоны + ref = d <= d_ref + u = u - (np.median(u[ref]) if ref.sum() >= 2 else u[0]) + + far = d > 12.0 + if far.sum() < 4: + return prev or STRAIGHT + d_f, u_f = d[far], u[far] + + # u ≈ c1·d + c2·d², равные веса по срезам, две итерации робастного отсева + A = np.stack([d_f, d_f * d_f], axis=1) + w = np.ones_like(u_f) + c = np.zeros(2) + for _ in range(3): + try: + c, *_ = np.linalg.lstsq(A * w[:, None], u_f * w, rcond=None) + except np.linalg.LinAlgError: + return prev or STRAIGHT + res = u_f - A @ c + s = 1.4826 * np.median(np.abs(res - np.median(res))) + 0.05 + w = 1.0 / np.sqrt(1.0 + (res / (2.0 * s)) ** 2) + + coef = np.array([0.0, c[0], c[1]]) + radius = float(abs(1.0 / (2.0 * c[1]))) if abs(c[1]) > 1e-7 else float("inf") + # Радиус круче 300 м на перегоне метрополитена не встречается. Такая оценка + # означает не кривую, а испорченное сечение: на станции платформа делает свод + # резко несимметричным, центр «уезжает», и габарит вместе с ним заезжает + # прямо на платформу — источник почти всех ложных тревог у станций. + if radius < MIN_TRACK_RADIUS: + return prev or STRAIGHT + + out = Corridor(coef, float(d.max()), len(ds), radius) + if prev is None or smooth <= 0: + return out + + k = smooth + blended = k * out.coef + (1 - k) * prev.coef + # путь физически не может вильнуть: ограничиваем скорость изменения оси + shift_now = blended[1] * 100.0 + blended[2] * 100.0 ** 2 + shift_prev = prev.coef[1] * 100.0 + prev.coef[2] * 100.0 ** 2 + excess = abs(shift_now - shift_prev) + if excess > MAX_AXIS_RATE: + t = MAX_AXIS_RATE / excess + blended = prev.coef + (blended - prev.coef) * t + r2 = (float(abs(1.0 / (2.0 * blended[2]))) if abs(blended[2]) > 1e-7 else float("inf")) + return Corridor(blended, out.d_max_seen, out.n_slices, r2) + + +class TrackFrame: + """Кадр в координатах пути: (d, u, h) плюс ожидаемая дальность до пола.""" + + __slots__ = ("d", "u", "h", "z", "r", "valid", "inten", "floor_r", "plane", + "layout", "img") + + def __init__(self, img: RangeImage, layout: ScanLayout, plane: RailPlane): + xyz = img.xyz(layout) + self.layout = layout + self.img = img + self.plane = plane + self.u = xyz[..., 0] + self.d = -xyz[..., 1] + self.z = xyz[..., 2] # в системе сенсора, не над рельсом + self.h = plane.height_of(self.d, self.u, self.z) + self.r = img.r_near + self.valid = img.valid + self.inten = img.inten + self.floor_r = plane.floor_range(layout) + + def lateral(self, corridor: "Corridor | None" = None) -> np.ndarray: + """Смещение точек от осевой линии пути, м. + + Берётся **меньшее по модулю** из двух: отсчёт от прямой оси и от + оценённой кривой. Это объединение двух габаритов, а не замена одного + другим, и сделано осознанно: оценка оси неизбежно неточна, а система + безопасности не имеет права **сужать** зону поиска по неуверенной + оценке. Измерено: замена (а не объединение) поднимала пропуски + реального объекта с 1 % до 25 %, экономя при этом лишь 2.5 % кадров + с ложной тревогой — размен в неверную сторону. + """ + if corridor is None or corridor.n_slices == 0: + return self.u + curved = self.u - corridor.centre(self.d) + return np.where(np.abs(curved) < np.abs(self.u), curved, self.u) + + def in_gauge(self, half_width: float = 1.7, h_lo: float = 0.05, + h_hi: float = 2.2, d_min: float = 3.0, d_max: float = 260.0, + corridor: "Corridor | None" = None) -> np.ndarray: + """Маска лучей, чьи точки лежат внутри габарита приближения.""" + return (self.valid & (self.d > d_min) & (self.d < d_max) + & (np.abs(self.lateral(corridor)) < half_width) + & (self.h > h_lo) & (self.h < h_hi)) diff --git a/flyguard/lamina.py b/flyguard/lamina.py new file mode 100644 index 0000000..09acd96 --- /dev/null +++ b/flyguard/lamina.py @@ -0,0 +1,118 @@ +"""LAMINA — локальный контраст, разделение ON/OFF. + +Первый нейропиль за фоторецепторами. Клетки L1 и L2 получают один и тот же вход +от R1–R6 и расходятся на два канала: L1 → ON (стало ярче), L2 → OFF (стало +темнее). Оба канала предварительно проходят **латеральное торможение** от +амакриновых клеток и Dm9 — классическое «центр минус окружение», которое +подавляет ровный фон и оставляет только локальные отклонения. + +Перенос на лидар: + +* «Яркость» — это **диспаритет** δ = 1/R, а не сама дальность. Так правильно + по двум причинам: угловой размер предмета пропорционален 1/R, и шум лидара + в диспаритете почти однороден, тогда как в дальности растёт квадратично. +* **ON** = объект ближе своего окружения — выступ, то есть препятствие. +* **OFF** = дальше окружения или эха нет вовсе — провал, то есть окклюзионная + тень **за** препятствием. Тень часто во много раз крупнее самого предмета, + и именно она даёт шанс увидеть мелкий объект на большой дальности. +* Размер предмета в лучах меняется с дальностью на два порядка, поэтому + окружение берётся **на нескольких масштабах** сразу — как у колонковых + нейронов лобулы с разными размерами рецептивных полей, сходящихся на один + нисходящий нейрон. +""" +from __future__ import annotations + +from dataclasses import dataclass + +import numpy as np +from scipy.ndimage import uniform_filter + +# (радиус центра, радиус окружения) в лучах: кольца × столбцы +SCALES: tuple[tuple[int, int], ...] = ((1, 6), (3, 14), (7, 30)) + + +@dataclass +class LaminaOutput: + """Каналы ламины для одного кадра.""" + + disp: np.ndarray # (H, W) диспаритет 1/R, 0 там, где эха нет + on: np.ndarray # (H, W) ON-контраст, максимум по масштабам, 1/м + off: np.ndarray # (H, W) OFF-контраст, 1/м + on_scale: np.ndarray # (H, W) int8 — на каком масштабе отклик максимален + surround: np.ndarray # (H, W) диспаритет окружения на среднем масштабе + hole: np.ndarray # (H, W) доля «нет эха» в окрестности + + +def _masked_mean(v: np.ndarray, m: np.ndarray, size: tuple[int, int]) -> np.ndarray: + """Среднее по прямоугольному окну только по валидным отсчётам.""" + num = uniform_filter(v, size=size, mode="nearest") + den = uniform_filter(m, size=size, mode="nearest") + return num, den + + +def _annulus_mean(v: np.ndarray, m: np.ndarray, r_in: int, r_out: int): + """Среднее по кольцу: большое окно минус вырезанный центр. + + Реализовано через два равномерных фильтра (каждый разделим и работает за + O(N)), поэтому стоимость не зависит от размера окна. + """ + s_in = (2 * r_in + 1, 2 * r_in + 1) + s_out = (2 * r_out + 1, 4 * r_out + 1) # шире по азимуту: решётка анизотропна + n_in = s_in[0] * s_in[1] + n_out = s_out[0] * s_out[1] + + num_i, den_i = _masked_mean(v, m, s_in) + num_o, den_o = _masked_mean(v, m, s_out) + + num = num_o * n_out - num_i * n_in + den = den_o * n_out - den_i * n_in + out = np.divide(num, den, out=np.zeros_like(num), where=den > 0.5) + return out, den + + +def process(r: np.ndarray, valid: np.ndarray, *, r_max: float = 300.0) -> LaminaOutput: + """Посчитать ON/OFF-каналы ламины по дальностному образу.""" + v = valid.astype(np.float32) + disp = np.zeros_like(r, dtype=np.float32) + np.divide(1.0, r, out=disp, where=valid & (r > 0.05)) + disp *= v + + on = np.zeros_like(disp) + off = np.zeros_like(disp) + on_scale = np.zeros(disp.shape, np.int8) + surround_mid = None + + for k, (r_in, r_out) in enumerate(SCALES): + sur, cnt = _annulus_mean(disp, v, r_in, r_out) + enough = cnt > 8.0 + c = np.where(enough, disp - sur, 0.0) + pos = np.maximum(c, 0.0) * v # ближе окружения + # провал считается и там, где эха нет: 1/∞ = 0 — это тоже сигнал + neg = np.maximum(-(disp - sur), 0.0) * enough + better = pos > on + on = np.where(better, pos, on) + on_scale = np.where(better, np.int8(k), on_scale) + off = np.maximum(off, neg) + if k == 1: + surround_mid = sur + + # доля лучей без эха в окрестности — мера «дыры» в поверхности + hole = 1.0 - uniform_filter(v, size=(5, 15), mode="nearest") + + # диспаритет физически ограничен снизу дальностью прибора + np.clip(on, 0.0, 1.0 / max(r_max, 1.0) * 1e4, out=on) + return LaminaOutput(disp=disp, on=on, off=off, on_scale=on_scale, + surround=surround_mid if surround_mid is not None else np.zeros_like(disp), + hole=hole.astype(np.float32)) + + +def contrast_to_depth_gap(on: np.ndarray, r: np.ndarray) -> np.ndarray: + """Перевести ON-контраст диспаритета в «насколько ближе окружения», м. + + δ − δ_sur = 1/R − 1/R_sur ⇒ R_sur − R = on · R · R_sur. Для оценки берётся + R_sur = R/(1 − on·R), что даёт разрыв по глубине в метрах. + """ + x = np.clip(on * r, 0.0, 0.999) + with np.errstate(divide="ignore", invalid="ignore"): + gap = r * x / (1.0 - x) + return np.nan_to_num(gap, nan=0.0, posinf=1e4).astype(np.float32) diff --git a/flyguard/lobula.py b/flyguard/lobula.py new file mode 100644 index 0000000..1e37805 --- /dev/null +++ b/flyguard/lobula.py @@ -0,0 +1,346 @@ +"""LOBULA — колонковые детекторы объектов (аналог LC11) и сборка кандидатов. + +В лобуле мухи сидят колонковые нейроны LC: каждый смотрит в свой участок поля +зрения и реагирует на **признак**, а не на картинку целиком. LC11 — детектор +мелкого объекта: он возбуждается компактным пятном, выделяющимся из фона, и +подавляется широкопольным движением, то есть собственным перемещением мухи. +Выход LC-популяции — не изображение, а короткий список «где что-то есть». + +Здесь тем же занимается `find_candidates`: из ретинотопических масок улик +собираются связные пятна, для каждого считаются геометрические признаки, и +дальше по конвейеру идут уже десятки кандидатов вместо сотен тысяч лучей. + +Решение о том, препятствие это или штатная конструкция тоннеля, здесь НЕ +принимается — этим занимаются грибовидное тело (знакомость) и центральный +комплекс (накопление улик по кадрам). +""" +from __future__ import annotations + +from dataclasses import dataclass, field + +import numpy as np +from scipy import ndimage + +from .geometry import Corridor, TrackFrame +from .lamina import LaminaOutput, contrast_to_depth_gap + +_NEIGHBOURS = np.ones((3, 3), bool) + + +@dataclass +class Candidate: + """Кандидат в препятствия — компактная группа лучей.""" + + d: float # расстояние вперёд, м + u: float # смещение от оси пути, м + h: float # высота над головкой рельса, м + d_min: float # ближняя граница, м + h_min: float # нижняя точка над рельсом, м — есть ли опора снизу + width: float # ширина, м + height: float # высота, м + depth: float # протяжённость вдоль пути, м + containment: float # доля лучей пятна, оставшихся внутри габарита, 0…1 + n_rays: int # число лучей + n_rings: int + n_cols: int + gap: float # насколько ближе фона, м + on: float # ON-контраст, 1/м + floor_deficit: float # насколько раньше оборвался луч до полотна, м + shadow: float # доля тени (нет эха) сразу за объектом + inten: float # медианная интенсивность + az_deg: float + el_deg: float + bbox: tuple[int, int, int, int] + score: float = 0.0 + novelty: float = 1.0 + extra: dict = field(default_factory=dict) + + @property + def area(self) -> float: + return self.width * self.height + + +def cluster_by_depth(mask: np.ndarray, r: np.ndarray, *, + rel_tol: float = 0.06, abs_tol: float = 0.35, + col_reach: int = 3, row_reach: int = 2): + """Связные компоненты с учётом разрыва по глубине. + + Обычная связность по соседству склеивает предмет со стеной, которая + оказалась в том же месте изображения, но на сто метров дальше. Поэтому два + соседних луча объединяются только если их дальности близки — допуск растёт + с расстоянием, потому что и разрешение, и шум растут так же. + + Соседство берётся с запасом по азимуту (`col_reach`), чтобы пропуски эха + внутри предмета не дробили его на части. + + Возвращает (labels, n_labels); метка 0 — фон. + """ + idx = np.flatnonzero(mask.ravel()) + if idx.size == 0: + return np.zeros(mask.shape, np.int32), 0 + + h, w = mask.shape + lut = np.full(mask.size, -1, np.int64) + lut[idx] = np.arange(idx.size) + ri = r.ravel()[idx] + rows, cols = np.divmod(idx, w) + + src, dst = [], [] + for dr in range(0, row_reach + 1): + for dc in range(-col_reach, col_reach + 1): + if dr == 0 and dc <= 0: + continue + nr, nc = rows + dr, cols + dc + ok = (nr < h) & (nc >= 0) & (nc < w) + nb = lut[np.where(ok, nr * w + nc, 0)] + ok &= nb >= 0 + if not ok.any(): + continue + a = np.flatnonzero(ok) + b = nb[ok] + close = np.abs(ri[a] - ri[b]) <= (abs_tol + rel_tol * np.minimum(ri[a], ri[b])) + if close.any(): + src.append(a[close]) + dst.append(b[close]) + + n_nodes = idx.size + if src: + from scipy.sparse import coo_matrix + from scipy.sparse.csgraph import connected_components + s = np.concatenate(src) + t = np.concatenate(dst) + g = coo_matrix((np.ones(s.size, np.int8), (s, t)), shape=(n_nodes, n_nodes)) + n_comp, comp = connected_components(g, directed=False) + else: + n_comp = n_nodes + comp = np.arange(n_nodes) + + labels = np.zeros(mask.size, np.int32) + labels[idx] = comp + 1 + return labels.reshape(mask.shape), n_comp + + +def split_by_figure(labels: np.ndarray, n: int, r: np.ndarray, + figure: np.ndarray, *, max_depth: float, thr: float, + col_reach: int = 3, row_reach: int = 2, top: int = 0): + """Вырезать фигуру из компоненты, растёкшейся по фону. + + Гладкая стена тоннеля связна по глубине от ближнего поля до горизонта: + соседние лучи отличаются на сантиметры, и допуск сшивает их в одну + компоненту длиной сто метров. Предмет у такой стены попадает в неё же + и вместе с ней отбрасывается правилом `max_depth` — система слепнет + именно там, где смотрит вдоль стены, а это опаснее лишней тревоги. + + Разорвать такую компоненту по дальности нельзя: предмет и стена рядом с + ним стоят на одной дальности. Зато они по-разному **приближаются**. Вдоль + фиксированного луча стена, параллельная движению, не приближается вовсе: + поезд едет, точка пересечения скользит по стене, дальность не меняется. + Предмет, обращённый к поезду, приближается ровно на пройденный путь. + Отсюда `advance` ≈ 0 у фона и ≈ 1 у фигуры. + + Это и есть разделение фигуры и фона, которым у мухи занят канал + T4/T5 → LPTC: широкопольный поток задаёт ожидание, а то, что движется + иначе, становится фигурой. + + Второй, более сильный источник того же признака — **контраст ламины**. + Гладкая стена по построению даёт нулевой центр-окружение: сколько бы ни + менялась дальность вдоль стены, она меняется плавно, и центр равен своему + окружению. Предмет на стене — это ступенька, и она видна. Замер на + вставленном человеке (`roundT_pressureGate_roundT` и `roundT_doubleT`): + при пороге 6 м порог проходят 85 % и 75 % лучей предмета против 0.13 % и + 0.22 % лучей фона, а сам фон распадается всего на 5–9 компонент в кадре + вместо 1259 у разреза по допуску. + + Поэтому `figure` — любой покадровый признак «это не фон»: скорость + сближения вдоль луча или контраст к окружению в метрах. Пересобираются + только переглубокие компоненты и только по лучам с `figure > thr`; + остальные метки не трогаются. + + `top` ограничивает число фигур, выносимых из одной компоненты, оставляя + сильнейшие по признаку. Это не косметика, а необходимость: разрез отрезает + фон, и протяжённость кандидата вдоль пути падает с 6.9 до 0.8 м — вместе с + ней исчезает множитель компактности в весе улики, который до того давил + конструкции в десять раз. Каждая лишняя фигура поэтому стоит дорого. + Ограничение — тот же приём глобального торможения, которым APL оставляет + активными считанные проценты клеток Кеньона. 0 — без ограничения. + """ + if n == 0 or figure is None: + return labels, n + flat = labels.ravel() + rr = r.ravel() + adv = figure.ravel() + order = np.argsort(flat, kind="stable") + starts = np.searchsorted(flat[order], np.arange(n + 2)) + + out, next_id, copied = labels, n, False + for lbl in range(1, n + 1): + idx = order[starts[lbl]:starts[lbl + 1]] + if idx.size < 2: + continue + v = rr[idx] + v = v[np.isfinite(v)] + if v.size < 2 or float(v.max() - v.min()) <= max_depth: + continue + + keep = idx[adv[idx] > thr] + if keep.size < 4 or keep.size == idx.size: + continue + sub = np.zeros(labels.shape, bool) + sub.ravel()[keep] = True + parts, n2 = cluster_by_depth(sub, r, col_reach=col_reach, row_reach=row_reach) + if n2 == 0: + continue + lbl_of = parts.ravel()[keep] + if top > 0 and n2 > top: + # сильнейшие по признаку: сумма превышения порога по всем лучам + w = np.bincount(lbl_of, weights=adv[keep] - thr, minlength=n2 + 1) + best = np.argsort(w[1:])[::-1][:top] + 1 + alive = np.isin(lbl_of, best) + keep, lbl_of = keep[alive], lbl_of[alive] + if keep.size < 4: + continue + # перенумеровать оставшиеся подряд + _, lbl_of = np.unique(lbl_of, return_inverse=True) + lbl_of += 1 + n2 = int(lbl_of.max()) + if not copied: + out, copied = labels.copy(), True + # фон этой компоненты уходит из рассмотрения: он и был бы отброшен + out.ravel()[idx] = 0 + out.ravel()[keep] = next_id + lbl_of + next_id += n2 + return out, next_id + + +def gauge_mask(tf: TrackFrame, corridor: Corridor, *, half_width: float, + h_lo: float, h_hi: float, d_min: float, d_max: float): + """Лучи, попавшие в габарит приближения. Считается один раз на кадр. + + Нужны и для выделения кандидатов, и для накопителя веерного тела, поэтому + вынесены отдельно: пересчитывать один и тот же набор масок дважды незачем. + """ + lat = tf.lateral(corridor) + in_range = tf.valid & (tf.d > d_min) & (tf.d < d_max) + inside = in_range & (np.abs(lat) < half_width) & (tf.h > h_lo) & (tf.h < h_hi) + return inside, lat, in_range + + +def find_candidates(tf: TrackFrame, lam: LaminaOutput, corridor: Corridor, *, + half_width: float = 1.7, h_lo: float = 0.28, h_hi: float = 2.3, + d_min: float = 4.0, d_max: float = 220.0, + min_rays: int = 4, max_candidates: int = 64, + dilate_cols: int = 2, max_depth: float = 15.0, + ctx_up: float = 4.0, split_adv: float = 0.0, + split_gap: float = 0.0, split_near: float = 0.0, + split_top: int = 0, + advance: np.ndarray | None = None, + masks: tuple | None = None) -> list[Candidate]: + """Выделить кандидатов: связные пятна лучей, попавших в габарит. + + Кластеризация ведётся по **расширенной** области, а членство в габарите + проверяется уже для готового пятна. Без этого вертикальный лоскут стены, + срезанный границей коридора, неотличим от предмета: обрезка сама создаёт + компактное пятно нужного размера. Доля лучей, оставшихся внутри габарита + (`containment`), сразу показывает, предмет это целиком или край стены. + """ + if masks is None: + masks = gauge_mask(tf, corridor, half_width=half_width, h_lo=h_lo, + h_hi=h_hi, d_min=d_min, d_max=d_max) + inside, lat, in_range = masks + if not inside.any(): + return [] + + # Контекст расширяется в стороны и вверх, но НЕ вниз: полотно пути проходит + # прямо под каждым предметом и на большой дальности попадает в тот же допуск + # по глубине, так что расширение вниз склеило бы любой объект с полом. + # Вверх, наоборот, нужно доставать до свода: колонна и рама крепи идут от + # полотна до потолка, и если обрезать контекст на полпути, срез сам выглядит + # компактным предметом ростом с габарит. + context = (in_range & (np.abs(lat) < half_width + 1.6) + & (tf.h > h_lo) & (tf.h < h_hi + ctx_up)) + + gap_img = contrast_to_depth_gap(lam.on, tf.r) + + labels, n = cluster_by_depth(context, tf.r, col_reach=dilate_cols + 1) + if n == 0: + return [] + if split_gap > 0: + # Контраст к окружению как признак фигуры. Если задан и порог движения, + # выполняются оба условия сразу: стена должна и приближаться как предмет, + # и торчать из своего окружения. + fig = gap_img if (split_adv <= 0 or advance is None) else np.where(advance > split_adv, gap_img, 0.0) + if split_near > 0: + # Ближе этой дальности покадровый тракт видит предмет и без разреза: + # компонента со стеной там не слипается, лучей много, форма читается. + # Резать там незачем, а обстановки, дающей контраст, в ближнем поле + # на порядок больше — оттуда и берутся лишние кандидаты. + fig = np.where(tf.d > split_near, fig, 0.0) + labels, n = split_by_figure(labels, n, tf.r, fig, max_depth=max_depth, + thr=split_gap, col_reach=dilate_cols + 1, + top=split_top) + elif split_adv > 0 and advance is not None: + labels, n = split_by_figure(labels, n, tf.r, advance, max_depth=max_depth, + thr=split_adv, col_reach=dilate_cols + 1) + + flat = labels.ravel() + counts = np.bincount(flat, minlength=n + 1) + counts[0] = 0 + inner = np.bincount(flat, weights=inside.ravel().astype(np.float64), minlength=n + 1) + inner[0] = 0 + keep = np.flatnonzero(inner >= min_rays) + if keep.size == 0: + return [] + if keep.size > max_candidates: + keep = keep[np.argsort(inner[keep])[::-1][:max_candidates]] + + with np.errstate(invalid="ignore"): + deficit = np.where(np.isfinite(tf.floor_r), tf.floor_r - tf.r, 0.0) + deficit = np.where(tf.valid & (deficit > 0), deficit, 0.0).astype(np.float32) + + order = np.argsort(labels.ravel(), kind="stable") + sorted_lbl = labels.ravel()[order] + starts = np.searchsorted(sorted_lbl, np.arange(n + 2)) + + inside_flat = inside.ravel() + out: list[Candidate] = [] + for lbl in keep: + ctx_idx = order[starts[lbl]:starts[lbl + 1]] + sel = ctx_idx[inside_flat[ctx_idx]] # признаки считаем по ядру в габарите + if sel.size < min_rays: + continue + ii, jj = np.divmod(sel, labels.shape[1]) + + d = tf.d[ii, jj] + u = lat[ii, jj] + h = tf.h[ii, jj] + nn = d.size + + depth = float(d.max() - d.min()) if nn > 1 else 0.0 + if depth > max_depth: + # ни один посторонний предмет не тянется на десятки метров вдоль пути: + # это полотно, стена или кабельный лоток, взятые под скользящим углом + continue + + cand = Candidate( + d=float(np.median(d)), u=float(np.median(u)), h=float(np.median(h)), + d_min=float(d.min()), h_min=float(h.min()), + width=float(u.max() - u.min()) if nn > 1 else 0.0, + height=float(h.max() - h.min()) if nn > 1 else 0.0, + depth=depth, + containment=float(sel.size / max(ctx_idx.size, 1)), + n_rays=int(nn), n_rings=int(np.unique(ii).size), n_cols=int(np.unique(jj).size), + gap=float(np.median(gap_img[ii, jj])), + on=float(np.median(lam.on[ii, jj])), + floor_deficit=float(np.median(deficit[ii, jj])), + shadow=float(np.median(lam.hole[ii, jj])), + inten=float(np.median(tf.inten[ii, jj])), + az_deg=float(np.mean(tf.layout.az_grid_deg[jj])), + el_deg=float(np.mean(tf.layout.el_deg[ii])), + bbox=(int(ii.min()), int(ii.max()), int(jj.min()), int(jj.max())), + ) + # индексы лучей нужны только для отладочной визуализации; они небольшие + cand.extra["rays"] = (ii, jj) + out.append(cand) + + out.sort(key=lambda c: c.d) + return out diff --git a/flyguard/mbon_readout.py b/flyguard/mbon_readout.py new file mode 100644 index 0000000..94775ed --- /dev/null +++ b/flyguard/mbon_readout.py @@ -0,0 +1,236 @@ +"""MBON с обучением с учителем — считывание, а не новая сеть. + +Грибовидное тело в `mushroom_body.py` учится **без меток**: синапсы KC→MBON +депрессируются на всём, что тоннель показывает часто, и выход MBON означает +«незнакомо». Это ровно familiarity suppression MBON-α′3 и ровно то, что нужно, +когда меток нет. + +Но у мухи та же схема умеет и другое. При обучении с подкреплением +дофаминергические нейроны PPL1/PAM депрессируют KC→MBON **избирательно** — те +клетки, что были активны вместе с наказанием, — и выход MBON начинает означать +не «незнакомо», а «это предвещает удар». Один и тот же нейропиль, один и тот же +разрежённый код, другой учитель. + +Здесь сделано именно это. Слои не меняются: + +* вход — те же признаки кандидата плюс опора веерного тела (23 «проекционных + нейрона»); +* KC — та же случайная разрежённая проекция по 6 «когтей» на клетку; +* APL — то же глобальное торможение «победитель забирает всё», но отклик + остаётся **градуальным** и делится на общую активность (дивизивная + нормировка), а не превращается в единицы и нули; +* MBON — один выход, веса которого обучены различать предмет и обстановку. + +Метки берутся не из разметки (её нет), а из физики: `flyguard.synth` вставляет +предмет трассировкой лучей, и кандидат считается предметом, если его ядро +состоит из лучей, в которые предмет действительно записан +(`tools/make_training_set.py`). + +Зачем это нужно поверх ручной формулы веса улики. В `central_complex._quality` +шесть множителей, придуманных руками, а в дескрипторе 23 признака: **тень и +интенсивность в вес улики не входят вообще**, хотя окклюзионная тень за +предметом на большой дальности во много раз крупнее самого предмета. + +Стоимость в инференсе — одно умножение матрицы 23 × n_kc на кандидата, доли +миллисекунды на CPU. GPU нужен только на обучении, и то не обязателен. +""" +from __future__ import annotations + +from dataclasses import dataclass +from pathlib import Path + +import numpy as np + +from .lobula import Candidate +from .mushroom_body import describe + + +@dataclass +class MbonConfig: + """Параметры считывания.""" + + # Ёмкость выбирается замером (`tools/train_mbon.py --sweep-kc`), а не на + # глаз: отбор «победитель забирает всё» стоит дороже матмула, и в худшем + # кадре с 64 кандидатами 20 000 клеток это 7.3 мс, 8 000 — 2.8 мс, 4 000 — + # 1.3 мс. Умолчание взято средним: платить временем кадра за ёмкость имеет + # смысл, только если развёртка показала, что она что-то даёт. + n_kc: int = 8_000 # клеток Кеньона в этом контуре + claws: int = 6 # входов на клетку (из коннектома) + sparsity: float = 0.0125 # доля активных после торможения APL — 100 клеток + seed: int = 20260921 + + +def describe_full(c: Candidate) -> np.ndarray: + """Вектор кандидата для считывания: дескриптор памяти плюс опора накопителя.""" + acc = float(c.extra.get("acc_support", 0.0)) if c.extra else 0.0 + return np.append(describe(c), np.float32(acc)).astype(np.float32) + + +class MbonReadout: + """Разрежённый код клеток Кеньона + обученный линейный выход MBON.""" + + def __init__(self, cfg: MbonConfig | None = None, n_pn: int = 23): + self.cfg = cfg or MbonConfig() + self.n_pn = int(n_pn) + self.n_active = max(1, int(round(self.cfg.n_kc * self.cfg.sparsity))) + rng = np.random.default_rng(self.cfg.seed) + idx = np.stack([rng.choice(self.n_pn, size=self.cfg.claws, replace=False) + for _ in range(self.cfg.n_kc)]) + sign = rng.choice((-1.0, 1.0), size=idx.shape) + w = np.zeros((self.cfg.n_kc, self.n_pn), np.float32) + np.put_along_axis(w, idx, sign.astype(np.float32), axis=1) + self.W = w + self.mean = np.zeros(self.n_pn, np.float32) + self.scale = np.ones(self.n_pn, np.float32) + self.w_mbon = np.zeros(self.cfg.n_kc, np.float32) + self.bias = np.float32(0.0) + # калибровка выхода: sigmoid(gain·z + shift). Градиентный спуск по + # разрежённому коду хорошо упорядочивает кандидатов, но масштаб логита + # зависит от ёмкости и числа эпох, а нам нужна осмысленная вероятность — + # она идёт множителем в вес улики. + self.gain = np.float32(1.0) + self.shift = np.float32(0.0) + + # ------------------------------------------------------------------ код + + def fit_normalizer(self, X: np.ndarray) -> None: + X = np.atleast_2d(np.asarray(X, np.float32)) + self.mean = X.mean(0).astype(np.float32) + s = X.std(0).astype(np.float32) + self.scale = np.where(s > 1e-6, s, 1.0).astype(np.float32) + + def encode(self, X: np.ndarray, device: str | None = None): + """Признаки → (индексы активных клеток, их нормированный отклик). + + Отклик остаётся градуальным и делится на свою сумму: это дивизивная + нормировка APL. Двоичный код тут заметно хуже — он выбрасывает + «насколько» клетка возбуждена, а для решения это как раз важно. + + Нормировка приводит средний отклик к единице, а не сумму: иначе каждая + из сотни активных клеток даёт вклад 0.01, логиты выходят микроскопические + и обучение сваливается в разумное ранжирование при бессмысленной + калибровке (замерено: AUC 0.97 при доле верных 0.37). + """ + X = np.atleast_2d(np.asarray(X, np.float32)) + if X.shape[1] != self.n_pn: + raise ValueError(f"считывание обучено на {self.n_pn} признаках, " + f"а дескриптор даёт {X.shape[1]}") + k = self.n_active + chunk = max(1, int(2 ** 26 // max(self.cfg.n_kc, 1))) + + if device and device != "cpu": + import torch + out_i = np.empty((X.shape[0], k), np.int64) + out_v = np.empty((X.shape[0], k), np.float32) + with torch.no_grad(): + m = torch.as_tensor(self.mean, device=device) + s = torch.as_tensor(self.scale, device=device) + w = torch.as_tensor(self.W, device=device).T.contiguous() + for i in range(0, X.shape[0], chunk): + t = torch.as_tensor(X[i:i + chunk], device=device) + y = torch.relu(((t - m) / s) @ w) + v, a = torch.topk(y, k, dim=1) + v = v * (k / v.sum(1, keepdim=True).clamp_min(1e-6)) + out_i[i:i + chunk] = a.cpu().numpy() + out_v[i:i + chunk] = v.cpu().numpy() + return out_i, out_v + + out_i = np.empty((X.shape[0], k), np.int64) + out_v = np.empty((X.shape[0], k), np.float32) + for i in range(0, X.shape[0], chunk): + z = (X[i:i + chunk] - self.mean) / self.scale + y = np.maximum(z @ self.W.T, 0.0) + a = np.argpartition(-y, k - 1, axis=1)[:, :k] + v = np.take_along_axis(y, a, axis=1) + v *= k / np.maximum(v.sum(1, keepdims=True), 1e-6) + out_i[i:i + chunk] = a + out_v[i:i + chunk] = v + return out_i, out_v + + # ------------------------------------------------------------------ выход + + def score(self, X: np.ndarray) -> np.ndarray: + """Вероятность «это посторонний предмет», 0…1.""" + a, v = self.encode(X) + z = self.logit(X, code=(a, v)) + return 1.0 / (1.0 + np.exp(-z)) + + def logit(self, X: np.ndarray, code=None) -> np.ndarray: + a, v = code if code is not None else self.encode(X) + z = self.bias + (self.w_mbon[a] * v).sum(axis=1) + return self.gain * z + self.shift + + def score_of(self, c: Candidate) -> float: + return float(self.score(describe_full(c)[None, :])[0]) + + def annotate(self, cands: list[Candidate]) -> list[Candidate]: + if not cands: + return cands + X = np.stack([describe_full(c) for c in cands]) + for c, p in zip(cands, self.score(X)): + c.extra["mbon"] = float(p) + return cands + + # ------------------------------------------------------------------ обучение + + def learn(self, X: np.ndarray, y: np.ndarray, *, epochs: int = 60, + lr: float = 4.0, l2: float = 1e-5, device: str | None = None, + verbose: bool = False) -> None: + """Логистическая регрессия по разрежённому коду — депрессия с учителем. + + Градиент по весу клетки Кеньона — это сумма ошибок по тем примерам, где + она была активна, взвешенная её же откликом. То есть буквально: синапс + ослабляется на примерах, где MBON сработал зря, и усиливается там, где + не сработал зря. У мухи это делает дофамин. + """ + y = np.asarray(y, np.float32) + a, v = self.encode(X, device=device) + n, k = a.shape + flat = a.ravel() + for ep in range(epochs): + z = self.bias + (self.w_mbon[a] * v).sum(axis=1) + p = 1.0 / (1.0 + np.exp(-z)) + g = (p - y) / n + grad = np.bincount(flat, weights=np.repeat(g, k) * v.ravel(), + minlength=self.cfg.n_kc).astype(np.float32) + self.w_mbon -= lr * (grad + l2 * self.w_mbon) + self.bias -= np.float32(lr * g.sum()) + if verbose and (ep + 1) % 50 == 0: + eps = 1e-7 + loss = -(y * np.log(p + eps) + (1 - y) * np.log(1 - p + eps)).mean() + print(f" эпоха {ep + 1:4d}: логистическая потеря {loss:.4f}") + self._calibrate(self.bias + (self.w_mbon[a] * v).sum(axis=1), y) + + def _calibrate(self, z: np.ndarray, y: np.ndarray, iters: int = 400) -> None: + """Шкалирование Платта: подобрать наклон и сдвиг по обучающей выборке.""" + g, sh = 1.0, 0.0 + for _ in range(iters): + p = 1.0 / (1.0 + np.exp(-(g * z + sh))) + e = p - y + g -= 2.0 * float((e * z).mean()) / max(float((z * z).mean()), 1e-6) + sh -= 2.0 * float(e.mean()) + self.gain, self.shift = np.float32(g), np.float32(sh) + + # ------------------------------------------------------------------ хранение + + def save(self, path: str | Path) -> None: + np.savez_compressed(path, w_mbon=self.w_mbon, bias=self.bias, + gain=self.gain, shift=self.shift, + mean=self.mean, scale=self.scale, + n_kc=self.cfg.n_kc, claws=self.cfg.claws, + sparsity=self.cfg.sparsity, seed=self.cfg.seed, + n_pn=self.n_pn) + + @staticmethod + def load(path: str | Path) -> "MbonReadout": + d = np.load(path, allow_pickle=False) + cfg = MbonConfig(n_kc=int(d["n_kc"]), claws=int(d["claws"]), + sparsity=float(d["sparsity"]), seed=int(d["seed"])) + m = MbonReadout(cfg, n_pn=int(d["n_pn"])) + m.w_mbon = d["w_mbon"].astype(np.float32) + m.bias = np.float32(d["bias"]) + m.gain = np.float32(d["gain"]) + m.shift = np.float32(d["shift"]) + m.mean = d["mean"].astype(np.float32) + m.scale = d["scale"].astype(np.float32) + return m diff --git a/flyguard/medulla.py b/flyguard/medulla.py new file mode 100644 index 0000000..f42af66 --- /dev/null +++ b/flyguard/medulla.py @@ -0,0 +1,398 @@ +"""MEDULLA и LOBULA PLATE — движение: T4/T5, LPTC и LPLC2. + +Три схемы из коннектома, работающие подряд: + +* **T4/T5** — элементарные детекторы движения. Каждый тип существует в четырёх + подтипах, настроенных на четыре стороны света в поле зрения; T4 читает ON-канал, + T5 — OFF. Вычислительно это коррелятор Хассенштайна–Райхардта: сигнал одного + омматидия задерживается и умножается на сигнал соседнего, разность двух таких + произведений даёт направленный отклик. +* **LPTC (HS/VS)** — широкопольные тангенциальные клетки лобулярной пластинки. + Каждая суммирует выход тысяч T4/T5 по своему рецептивному полю и тем самым + измеряет **собственное движение**. Здесь это критично: колёсной одометрии в + задаче нет, и скорость поезда неоткуда взять, кроме как из самого потока. +* **LPLC2** — детектор надвигания. Его дендриты разложены на четыре слоя так, + что клетка отвечает только на поток, расходящийся **из центра её рецептивного + поля**, и подавляется однородным широкопольным потоком. То есть она отделяет + «на меня что-то летит» от «я сам двигаюсь». Выход идёт на гигантское волокно. + +Практически: продвижение поезда за кадр оценивается корреляцией продольного +профиля тоннеля (устойчиво и дёшево), а T4/T5 и LPLC2 дают карту остаточного +движения — того, что не объясняется собственным ходом. +""" +from __future__ import annotations + +from dataclasses import dataclass + +import numpy as np + +# шаг гистограммы продольного профиля, м +PROFILE_BIN = 0.5 +PROFILE_MAX = 250.0 +MAX_SPEED = 35.0 # м/с, заведомо выше любого метропоезда +MAX_ACCEL = 3.0 # м/с², предел разгона и экстренного торможения состава +WARMUP_FRAMES = 4 # столько кадров оценка принимается как есть, без фильтра + + +@dataclass +class EgoMotion: + """Собственное движение за один кадр.""" + + ds: float # продвижение вперёд, м + speed: float # м/с + yaw_deg: float # поворот за кадр, ° + conf: float # 0…1, качество корреляционного пика + dt: float + + @property + def kmh(self) -> float: + return self.speed * 3.6 + + +PROFILE_MIN = 14.0 # ближняя зона в профиль не идёт: там сдвиг кадра не читается + + +def longitudinal_profile(d: np.ndarray, valid: np.ndarray) -> np.ndarray: + """Продольная «подпись» тоннеля: сколько лучей оборвалось на каждой дальности. + + Тюбинговые кольца, лотки, ниши и стыки дают ей богатый рисунок, поэтому + сдвиг профиля между кадрами читается как пройденный путь. + + Две поправки, без которых корреляция залипает на нулевом сдвиге: + ближняя зона исключается (там на один метр пути приходятся тысячи лучей, + и её вклад подавляет всё остальное), а от профиля отнимается скользящее + среднее — остаётся только рисунок структур, без общей огибающей. + """ + n = int(PROFILE_MAX / PROFILE_BIN) + dd = d[valid] + dd = dd[(dd > PROFILE_MIN) & (dd < PROFILE_MAX)] + if dd.size < 50: + return np.zeros(n, np.float32) + p = np.bincount((dd / PROFILE_BIN).astype(np.int32), minlength=n)[:n].astype(np.float32) + p = np.log1p(p) + k = 11 # ≈5 м — крупнее шага структур + kern = np.ones(k, np.float32) / k + env = np.convolve(p, kern, mode="same") + return (p - env).astype(np.float32) + + +def _norm(x: np.ndarray) -> np.ndarray: + x = x - x.mean() + s = np.linalg.norm(x) + return x / s if s > 1e-6 else x + + +def match_shift(prev: np.ndarray, cur: np.ndarray, max_bins: int, + prior_bins: float | None = None, prior_w: float = 0.03) -> tuple[float, float]: + """Сдвиг `cur` относительно `prev` по максимуму нормированной корреляции. + + Профиль текущего кадра смещён к меньшим дальностям на пройденный путь, + поэтому ищется такой сдвиг k, при котором cur[i] ≈ prev[i + k], k ≥ 0. + Слабый приор по предыдущей скорости снимает неоднозначность на периодических + структурах вроде тюбинговых колец; его вес нормирован на диапазон поиска, + чтобы он подправлял выбор между близкими пиками, а не диктовал ответ. + + Корреляция считается по общей части профилей, поэтому при больших сдвигах + выборка короче — нормировка на длину не даёт этому создать ложный уклон. + """ + n = prev.size + ks = np.arange(0, max_bins + 1) + scores = np.empty(ks.size, np.float32) + for i, k in enumerate(ks): + m = n - k + scores[i] = float(np.dot(_norm(cur[:m]), _norm(prev[k:k + m]))) + if prior_bins is not None and max_bins > 0: + scores = scores - prior_w * ((ks - prior_bins) / max_bins) ** 2 + + i = int(np.argmax(scores)) + peak = float(scores[i]) + if 0 < i < ks.size - 1: # уточнение параболой по трём точкам + y0, y1, y2 = scores[i - 1], scores[i], scores[i + 1] + den = y0 - 2 * y1 + y2 + sub = 0.5 * (y0 - y2) / den if abs(den) > 1e-9 else 0.0 + else: + sub = 0.0 + return float(ks[i] + np.clip(sub, -1, 1)), peak + + +class RayIndexer: + """Обратный поиск по решётке: направление → (кольцо, столбец). + + Нужен, чтобы перепроецировать точки предыдущего кадра в текущую решётку. + Элевации каналов заданы убывающей таблицей, поэтому индекс кольца берётся + линейной интерполяцией по ней, а не делением на постоянный шаг. + """ + + def __init__(self, layout): + el = np.asarray(layout.el_deg, np.float64) + order = np.argsort(el) + self.el_sorted = el[order] + self.ring_sorted = order.astype(np.float64) + self.az0 = float(layout.az_grid_deg[0]) + self.step = float(layout.az_step_deg) + self.n_az = int(layout.n_az) + self.n_rings = int(layout.n_rings) + + def __call__(self, az_deg: np.ndarray, el_deg: np.ndarray): + col = np.rint((az_deg - self.az0) / self.step).astype(np.int32) + ring = np.rint(np.interp(el_deg, self.el_sorted, self.ring_sorted)).astype(np.int32) + ok = (col >= 0) & (col < self.n_az) & (ring >= 0) & (ring < self.n_rings) + np.clip(col, 0, self.n_az - 1, out=col) + np.clip(ring, 0, self.n_rings - 1, out=ring) + return ring, col, ok + + +def advance_score(prev_pts: np.ndarray, r_cur: np.ndarray, valid_cur: np.ndarray, + indexer: RayIndexer, ds: float) -> float: + """Доля точек прошлого кадра, попавших в текущий кадр при сдвиге вперёд на ds. + + Это и есть проверка широкопольного потока на согласие с моделью собственного + движения — то, чем заняты тангенциальные клетки лобулярной пластинки. + """ + d = prev_pts[:, 0] - ds + u = prev_pts[:, 1] + h = prev_pts[:, 2] + m = d > 2.0 + if m.sum() < 50: + return 0.0 + d, u, h = d[m], u[m], h[m] + rho = np.hypot(d, u) + r = np.sqrt(rho * rho + h * h) + az = np.degrees(np.arctan2(u, d)) + el = np.degrees(np.arctan2(h, rho)) + ring, col, ok = indexer(az, el) + rc = r_cur[ring, col] + good = ok & valid_cur[ring, col] + if good.sum() < 50: + return 0.0 + err = np.abs(rc[good] - r[good]) + tol = np.maximum(0.25, 0.015 * r[good]) + return float(np.mean(err < tol)) + + +class EgoMotionEstimator: + """LPTC-аналог: одна широкопольная оценка собственного движения на кадр.""" + + def __init__(self, dt_nominal: float = 0.1): + self.prev_profile: np.ndarray | None = None + self.prev_az: np.ndarray | None = None + self.prev_stamp: float | None = None + self.prev_ds: float | None = None + self.prev_pts: np.ndarray | None = None + self.indexer: RayIndexer | None = None + self.n_sample = 6000 + self.v_filt: float | None = None + self.n_updates = 0 + self.dt_nominal = dt_nominal + + def update(self, tf, stamp: float) -> EgoMotion: + dt = self.dt_nominal + if self.prev_stamp is not None: + got = stamp - self.prev_stamp + if 0.01 < got < 1.0: + dt = got + + prof = longitudinal_profile(tf.d, tf.valid) + az = np.log1p(tf.valid.sum(axis=0)).astype(np.float32) + + ds, conf, yaw = 0.0, 0.0, 0.0 + if self.prev_profile is not None and np.any(prof): + max_bins = int(MAX_SPEED * dt / PROFILE_BIN) + 2 + prior = None if self.prev_ds is None else self.prev_ds / PROFILE_BIN + shift, conf = match_shift(self.prev_profile, prof, max_bins, prior_bins=prior) + ds = shift * PROFILE_BIN + + # независимая грубая оценка: дальние фронтальные поверхности приближаются + # ровно на пройденный путь + direct = self._direct_advance(tf) + seeds = [s for s in (ds, direct, self.prev_ds, 0.0) if s is not None] + + # уточнение сопоставлением кадров: перебор сдвига с проверкой согласия + refined = self._refine(tf, seeds, dt) + if refined is not None: + ds, conf = refined + elif direct is not None and conf < 0.45: + ds, conf = direct, max(conf, 0.3) + + if self.prev_az is not None and self.prev_az.size == az.size: + yaw_bins, _ = _centred_shift(self.prev_az, az, max_shift=40) + yaw = yaw_bins * float(tf.layout.az_step_deg) + + ds = self._filter_speed(ds, conf, dt) + + self.prev_profile = prof + self.prev_az = az + self.prev_stamp = stamp + self.prev_r = np.where(tf.valid, tf.r, np.nan).astype(np.float32) + self.prev_pts = _sample_points(tf, self.n_sample) + self.prev_ds = ds if self.prev_ds is None else 0.6 * ds + 0.4 * self.prev_ds + + return EgoMotion(ds=ds, speed=ds / dt, yaw_deg=yaw, conf=float(conf), dt=dt) + + def _filter_speed(self, ds: float, conf: float, dt: float) -> float: + """Сгладить оценку скорости с учётом физики состава. + + Сопоставление кадров иногда «срывается» на резкой смене обстановки — + например на переходе круглого тоннеля в двухпутный — и выдаёт то ноль, + то предел диапазона поиска. Поезд так не умеет: за 0.1 с скорость не + меняется больше чем на a·dt. Измерение принимается с весом, равным + согласию перепроекции, и ограничивается физическим пределом ускорения, + поэтому редкий срыв сглаживается, а настоящее торможение отслеживается + за десятые доли секунды. + """ + self.n_updates += 1 + v_meas = ds / max(dt, 1e-3) + if self.v_filt is None or self.n_updates <= WARMUP_FRAMES: + self.v_filt = v_meas + return ds + gain = float(np.clip(conf, 0.05, 0.6)) + v = self.v_filt + gain * (v_meas - self.v_filt) + limit = MAX_ACCEL * dt + v = float(np.clip(v, self.v_filt - limit, self.v_filt + limit)) + self.v_filt = max(v, 0.0) + return self.v_filt * dt + + def _refine(self, tf, seeds: list[float], dt: float): + """Двухэтапный перебор сдвига вокруг стартовых гипотез.""" + pts = getattr(self, "prev_pts", None) + if pts is None or pts.shape[0] < 500: + return None + if self.indexer is None or self.indexer.n_az != tf.layout.n_az: + self.indexer = RayIndexer(tf.layout) + + hi = MAX_SPEED * dt + # гипотезы от дешёвых оценок плюс редкая сетка на весь диапазон; + # округление до 10 см убирает дубликаты и держит число проб низким + grid = {round(float(np.clip(s, 0.0, hi)), 1) for s in seeds} + for s in list(grid): + grid.update(round(float(np.clip(s + o, 0.0, hi)), 1) for o in (-0.5, 0.5)) + grid.update(round(float(x), 1) for x in np.linspace(0.0, hi, 8)) + cand = np.array(sorted(grid)) + + sc = np.array([advance_score(pts, tf.r, tf.valid, self.indexer, s) for s in cand]) + best = float(cand[int(np.argmax(sc))]) + + fine = np.clip(best + np.linspace(-0.2, 0.2, 5), 0.0, hi) + sf = np.array([advance_score(pts, tf.r, tf.valid, self.indexer, s) for s in fine]) + i = int(np.argmax(sf)) + if sf[i] < 0.05: + return None + # уточнение параболой по трём точкам вокруг лучшей + ds = float(fine[i]) + if 0 < i < fine.size - 1: + y0, y1, y2 = sf[i - 1], sf[i], sf[i + 1] + den = y0 - 2 * y1 + y2 + if abs(den) > 1e-9: + ds += 0.5 * (y0 - y2) / den * (fine[1] - fine[0]) + return float(np.clip(ds, 0.0, hi)), float(sf[i]) + + def _direct_advance(self, tf, d_lo: float = 35.0, d_hi: float = 200.0, + grad_max: float = 0.6) -> float | None: + """Медианное приближение дальних поверхностей, обращённых к сенсору. + + Стены тоннеля идут почти вдоль движения, и их дальность при езде почти + не меняется, поэтому они отбрасываются по градиенту дальности вдоль + строки: остаются только фронтальные поверхности, для которых убывание + дальности равно пройденному пути. + """ + cur = np.where(tf.valid, tf.r, np.nan).astype(np.float32) + prev = getattr(self, "prev_r", None) + if prev is None or prev.shape != cur.shape: + return None + with np.errstate(invalid="ignore"): + grad = np.abs(np.gradient(cur, axis=1)) + m = (np.isfinite(cur) & np.isfinite(prev) & (cur > d_lo) & (cur < d_hi) + & (grad < grad_max)) + if m.sum() < 150: + return None + diff = prev[m] - cur[m] + diff = diff[np.abs(diff) < MAX_SPEED * 0.12] + if diff.size < 100: + return None + return float(np.clip(np.median(diff), 0.0, MAX_SPEED * 0.12)) + + +def _sample_points(tf, n: int) -> np.ndarray: + """Равномерная выборка точек кадра: (N, 3) = (d, u, z) в системе сенсора. + + Берётся именно z сенсора, а не высота над рельсом: перепроекция идёт в + решётку лучей, а она задана относительно сенсора. + """ + m = tf.valid & (tf.d > 8.0) & (tf.d < 200.0) + idx = np.flatnonzero(m.ravel()) + if idx.size == 0: + return np.zeros((0, 3), np.float32) + if idx.size > n: + idx = idx[:: max(1, idx.size // n)][:n] + return np.stack([tf.d.ravel()[idx], tf.u.ravel()[idx], tf.z.ravel()[idx]], + axis=1).astype(np.float32) + + +def _centred_shift(prev: np.ndarray, cur: np.ndarray, max_shift: int) -> tuple[float, float]: + """Сдвиг в обе стороны — для рыскания.""" + a, b = _norm(prev), _norm(cur) + n = a.size + ks = np.arange(-max_shift, max_shift + 1) + sc = np.empty(ks.size, np.float32) + for i, k in enumerate(ks): + if k >= 0: + m = n - k + sc[i] = float(np.dot(b[:m], a[k:k + m])) + else: + m = n + k + sc[i] = float(np.dot(b[-k:-k + m], a[:m])) + i = int(np.argmax(sc)) + return float(ks[i]), float(sc[i]) + + +# --------------------------------------------------------------------------- T4/T5 + +class EmdBank: + """Коррелятор Хассенштайна–Райхардта на четыре направления. + + Работает на прорежённой решётке: широкопольным клеткам мухи тоже не нужна + полная разрешающая способность фасеток, им важна статистика по полю. + """ + + DIRECTIONS = ((0, 1), (0, -1), (1, 0), (-1, 0)) # (Δкольцо, Δстолбец) + + def __init__(self, decimate: tuple[int, int] = (2, 4), tau_frames: float = 1.5): + self.dec = decimate + self.alpha = float(np.exp(-1.0 / max(tau_frames, 1e-3))) + self.delayed: np.ndarray | None = None + + def _down(self, a: np.ndarray) -> np.ndarray: + dh, dw = self.dec + h = a.shape[0] // dh * dh + w = a.shape[1] // dw * dw + return a[:h, :w].reshape(h // dh, dh, w // dw, dw).mean(axis=(1, 3)) + + def update(self, signal: np.ndarray) -> np.ndarray: + """Вернуть (4, h, w) откликов на движение в четырёх направлениях.""" + s = self._down(signal).astype(np.float32) + if self.delayed is None or self.delayed.shape != s.shape: + self.delayed = s.copy() + return np.zeros((4,) + s.shape, np.float32) + + d = self.delayed + out = np.zeros((4,) + s.shape, np.float32) + for k, (di, dj) in enumerate(self.DIRECTIONS): + a = np.roll(s, (di, dj), axis=(0, 1)) + ad = np.roll(d, (di, dj), axis=(0, 1)) + out[k] = d * a - s * ad # задержанный × соседний, антисимметрично + self.delayed = self.alpha * d + (1.0 - self.alpha) * s + return out + + +def looming(emd: np.ndarray) -> np.ndarray: + """LPLC2: отклик на поток, расходящийся из центра рецептивного поля. + + Дендриты LPLC2 разложены по четырём слоям так, что каждый слой принимает + T4/T5 «своего» направления с той стороны поля, куда поток должен уходить при + надвигании. Сумма четырёх слоёв и есть дивергенция потока. + """ + right, left, down, up = emd + div = np.zeros_like(right) + div[:, 1:-1] += right[:, 2:] - left[:, :-2] + div[1:-1, :] += down[2:, :] - up[:-2, :] + return np.maximum(div, 0.0) diff --git a/flyguard/mushroom_body.py b/flyguard/mushroom_body.py new file mode 100644 index 0000000..5a1a033 --- /dev/null +++ b/flyguard/mushroom_body.py @@ -0,0 +1,482 @@ +"""MUSHROOM BODY — память нормального тоннеля и детектор новизны. + +Схема взята из коннектома напрямую и почти не изменена: + +* **PN → KC.** Около 2000 клеток Кеньона на полушарие; каждая получает вход + всего от ~6 проекционных нейронов, выбранных почти случайно (в FlyWire и + hemibrain среднее число «когтей» ≈ 5–7). Это случайная разрежённая проекция, + поднимающая размерность примерно в 40 раз. +* **APL.** Один гигантский тормозный нейрон собирает активность всех KC и + возвращает торможение всем сразу. Результат — «победитель забирает всё»: + одновременно активны около 5 % клеток Кеньона. +* **KC → MBON.** Выход считывается немногими выходными нейронами. Синапсы + KC→MBON **депрессируются** при повторном предъявлении стимула, поэтому + знакомый запах даёт слабый ответ, а новый — сильный. Именно так устроена + «familiarity suppression» у MBON-α′3. + +Почему это точно наша задача. Разметки нет, и почти все данные — пустой тоннель. +Геометрический слой честно сообщает обо всём, что торчит в габарит, и вместе с +препятствиями выдаёт кабельные лотки, ниши, гермозатворы, кромки платформ и +стрелочные приводы. Грибовидное тело обучается на пустых проездах **без единой +метки** и после этого молча гасит всё, что тоннель уже показывал, оставляя +громкими только незнакомые формы. + +Хранится не образ, а битовый код: поиск знакомости — это индексация массива, +поэтому стадия стоит микросекунды и легко укладывается в реальное время. +""" +from __future__ import annotations + +from dataclasses import dataclass +from pathlib import Path + +import numpy as np + +from .lobula import Candidate + +# имена признаков-«проекционных нейронов»; порядок фиксирован и входит в артефакт +FEATURES = ( + "log_d", "lat", "abs_lat", "h", "log_w", "log_h", "aspect", + "log_rays", "fill", "ang_w", "ang_h", "log_gap", "shadow", + "inten", "el", "floor_def", "rings", "cols", + "log_depth", "elongation", "containment", "h_min", +) + + +def describe(c: Candidate) -> np.ndarray: + """Вектор признаков кандидата — активность «проекционных нейронов». + + Сознательно смешаны две группы: форма и угловой размер (обобщаются на любой + тоннель) и положение в сечении (именно оно делает лоток лотком). Первая даёт + переносимость, вторая — способность запомнить штатную обстановку. + """ + d = max(c.d, 1.0) + w = max(c.width, 0.02) + hh = max(c.height, 0.02) + area = max((c.bbox[1] - c.bbox[0] + 1) * (c.bbox[3] - c.bbox[2] + 1), 1) + return np.array([ + np.log(d), + c.u, + abs(c.u), + c.h, + np.log(w), + np.log(hh), + np.log(w / hh), + np.log(max(c.n_rays, 1)), + c.n_rays / area, + np.degrees(w / d), + np.degrees(hh / d), + np.log1p(max(c.gap, 0.0)), + c.shadow, + np.log1p(max(c.inten, 0.0)), + c.el_deg, + np.log1p(max(c.floor_deficit, 0.0)), + np.log(max(c.n_rings, 1)), + np.log(max(c.n_cols, 1)), + np.log1p(max(c.depth, 0.0)), + np.log(max(c.depth, 0.05) / max(w, hh)), # вытянутость вдоль пути + c.containment, + c.h_min, # есть ли опора снизу + ], dtype=np.float32) + + +@dataclass +class MushroomBodyConfig: + """Параметры памяти. + + `claws = 6` взято прямо из коннектома: клетка Кеньона получает в среднем + 5–7 входов от проекционных нейронов. Это значение и оказалось лучшим в + подборе (`tools/tune_memory.py`): 4 когтя дают AUC 0.76, 8 — 0.89, 10 — + 0.87, шесть — 0.89…0.90. + + Число клеток Кеньона, напротив, увеличено против мушиных ~2000. Причина + инженерная: муха за жизнь встречает сотни запахов, а нам нужно запомнить + десятки тысяч видов тоннельной обстановки. При 2000 клетках и 5 % активных + память насыщается после нескольких тысяч примеров — подавлены все синапсы, и + новым не выглядит уже ничто, включая настоящее препятствие. Разрежённость + поэтому тоже снижена: активны 50 клеток из 50 000. + """ + + n_kc: int = 50_000 # клеток Кеньона + claws: int = 6 # входов на клетку Кеньона (из коннектома) + sparsity: float = 0.001 # доля активных после торможения APL + seed: int = 20240617 + + +class MushroomBody: + """Разрежённое кодирование + выученная знакомость.""" + + def __init__(self, cfg: MushroomBodyConfig | None = None, n_pn: int | None = None): + self.cfg = cfg or MushroomBodyConfig() + self.n_pn = n_pn or len(FEATURES) + self.n_active = max(1, int(round(self.cfg.n_kc * self.cfg.sparsity))) + rng = np.random.default_rng(self.cfg.seed) + + # разрежённая случайная проекция PN → KC: по `claws` входов на клетку + idx = np.stack([rng.choice(self.n_pn, size=self.cfg.claws, replace=False) + for _ in range(self.cfg.n_kc)]) + sign = rng.choice((-1.0, 1.0), size=idx.shape) + w = np.zeros((self.cfg.n_kc, self.n_pn), np.float32) + np.put_along_axis(w, idx, sign.astype(np.float32), axis=1) + self.W = w + + # нормировка входа (аналог дивизивной нормировки на общую интенсивность) + self.mean = np.zeros(self.n_pn, np.float32) + self.scale = np.ones(self.n_pn, np.float32) + + # вес синапсов KC → MBON: 1 — «не видели», 0 — «совсем привычно» + self.w_mbon = np.ones(self.cfg.n_kc, np.float32) + self.n_seen = 0 + + # ------------------------------------------------------------------ кодирование + + def fit_normalizer(self, X: np.ndarray) -> None: + self.mean = X.mean(0).astype(np.float32) + s = X.std(0).astype(np.float32) + self.scale = np.where(s > 1e-6, s, 1.0).astype(np.float32) + + def encode(self, X: np.ndarray, device: str | None = None) -> np.ndarray: + """Вектора признаков → индексы активных клеток Кеньона, (N, n_active). + + `device="cuda"` переносит проекцию и отбор на GPU: обучение на сотнях + тысяч примеров так идёт в десятки раз быстрее. В инференсе кандидатов + единицы, и путь через CPU заведомо дешевле запуска ядра. + """ + X = np.atleast_2d(np.asarray(X, np.float32)) + if X.shape[1] != self.n_pn: + raise ValueError( + f"память обучена на {self.n_pn} признаках, а дескриптор даёт " + f"{X.shape[1]}: набор признаков менялся — переобучите память " + f"(tools/train_mushroom_body.py)") + k = self.n_active + # матрица откликов (N × n_kc) при большой выборке не помещается в память + # целиком, поэтому кодирование идёт порциями фиксированного объёма + chunk = max(1, int(2 ** 26 // max(self.cfg.n_kc, 1))) + + if device and device != "cpu": + import torch + out = np.empty((X.shape[0], k), np.int64) + with torch.no_grad(): + m = torch.as_tensor(self.mean, device=device) + s = torch.as_tensor(self.scale, device=device) + w = torch.as_tensor(self.W, device=device).T.contiguous() + for i in range(0, X.shape[0], chunk): + t = torch.as_tensor(X[i:i + chunk], device=device) + y = ((t - m) / s) @ w + out[i:i + chunk] = torch.topk(y, k, dim=1).indices.cpu().numpy() + return out + + if X.shape[0] <= chunk: + z = (X - self.mean) / self.scale + y = z @ self.W.T # (N, n_kc) + # APL: глобальное торможение оставляет только сильнейшие + return np.argpartition(-y, k - 1, axis=1)[:, :k] + + out = np.empty((X.shape[0], k), np.int64) + for i in range(0, X.shape[0], chunk): + z = (X[i:i + chunk] - self.mean) / self.scale + y = z @ self.W.T + out[i:i + chunk] = np.argpartition(-y, k - 1, axis=1)[:, :k] + return out + + # ------------------------------------------------------------------ обучение + + def auto_rate(self, n_samples: int, target: float = 1.5) -> float: + """Темп депрессии, согласованный с размером обучающей выборки. + + Каждый пример депрессирует `n_active` клеток, поэтому на одну клетку + Кеньона в среднем приходится `n · n_active / n_kc` попаданий. Если темп + не уменьшать вместе с ростом выборки, после нескольких десятков тысяч + примеров подавлены все синапсы и новым не выглядит уже ничто. + + Темп выбирается так, чтобы «типичная» клетка ослабла примерно в e^target + раз. Тогда шкала новизны отражает **частоту** обстановки: постоянно + встречающиеся лотки и ниши уходят в ноль, а редкая форма остаётся + заметной. Это и есть смысл familiarity suppression, а не «видел хоть раз». + """ + mean_hits = max(n_samples * self.n_active / self.cfg.n_kc, 1e-6) + return float(np.clip(target / mean_hits, 1e-4, 0.5)) + + def learn(self, X: np.ndarray, rate: float = 0.35, device: str | None = None) -> None: + """Депрессия синапсов KC→MBON на предъявленных примерах. + + Каждое предъявление умножает вес активных синапсов на (1 − rate), что + для набора сразу эквивалентно возведению в степень по числу попаданий, — + поэтому цикл по примерам не нужен. + """ + act = self.encode(X, device=device) + cnt = np.bincount(act.ravel(), minlength=self.cfg.n_kc) + self.w_mbon *= np.power(1.0 - rate, cnt).astype(np.float32) + self.n_seen += len(act) + + def novelty(self, X: np.ndarray) -> np.ndarray: + """Ответ MBON: 1 — совершенно ново, 0 — вполне привычно.""" + act = self.encode(X) + return self.w_mbon[act].mean(axis=1) + + def novelty_of(self, c: Candidate) -> float: + return float(self.novelty(describe(c)[None, :])[0]) + + def annotate(self, cands: list[Candidate]) -> list[Candidate]: + if not cands: + return cands + X = np.stack([describe(c) for c in cands]) + nov = self.novelty(X) + for c, n in zip(cands, nov): + c.novelty = float(n) + return cands + + # ------------------------------------------------------------------ хранение + + def save(self, path: str | Path) -> None: + np.savez_compressed(path, w_mbon=self.w_mbon, mean=self.mean, scale=self.scale, + n_kc=self.cfg.n_kc, claws=self.cfg.claws, + sparsity=self.cfg.sparsity, seed=self.cfg.seed, + n_pn=self.n_pn, n_seen=self.n_seen, + features=np.array(FEATURES)) + + @staticmethod + def load(path: str | Path) -> "MushroomBody": + d = np.load(path, allow_pickle=False) + cfg = MushroomBodyConfig(n_kc=int(d["n_kc"]), claws=int(d["claws"]), + sparsity=float(d["sparsity"]), seed=int(d["seed"])) + mb = MushroomBody(cfg, n_pn=int(d["n_pn"])) + mb.w_mbon = d["w_mbon"].astype(np.float32) + mb.mean = d["mean"].astype(np.float32) + mb.scale = d["scale"].astype(np.float32) + mb.n_seen = int(d["n_seen"]) + return mb + + +# Признаки для привыкания. Отличие от `FEATURES` принципиальное: здесь нет +# ничего, что меняется при подъезде к одному и тому же предмету. Ни дальности, +# ни числа лучей, ни углового размера, ни интенсивности (она падает как 1/R²), +# ни контраста в метрах (он растёт с дальностью). Остаются физические свойства +# формы: где она стоит в сечении, какая она и есть ли под ней опора. +# +# Иначе механизм не работает вовсе: код одного и того же кронштейна, снятого с +# 90 и с 40 м, разъезжается, повторы не узнаются, а подъезжающий предмет, +# наоборот, каждый кадр выглядит новой формой и привыкает сам к себе. Замерено: +# на полном наборе признаков за двенадцать разных мест новизна падала с 1.000 +# до 0.981 — то есть ни на что. +# +# У мухи ту же роль играет инвариантность к концентрации запаха: APL нормирует +# общий уровень возбуждения, и один и тот же запах слабее или сильнее даёт +# почти один и тот же набор активных клеток Кеньона. +HAB_FEATURES = ("lat", "abs_lat", "h", "h_min", "log_w", "log_h", + "aspect", "log_depth", "elongation", "containment") + + +def describe_shape(c: Candidate) -> np.ndarray: + """Вектор формы, не зависящий от дальности до неё.""" + w = max(c.width, 0.02) + hh = max(c.height, 0.02) + return np.array([ + c.u, + abs(c.u), + c.h, + c.h_min, + np.log(w), + np.log(hh), + np.log(w / hh), + np.log1p(max(c.depth, 0.0)), + np.log(max(c.depth, 0.05) / max(w, hh)), + c.containment, + ], dtype=np.float32) + + +@dataclass +class HabituationConfig: + """Параметры привыкания внутри одного проезда. + + `n_kc` намеренно маленькое — 4000 против 50 000 у долговременной памяти, то + есть примерно как у самой мухи. Задача здесь обратная: не различить десятки + тысяч видов обстановки, а **обобщить** — чтобы седьмой кронштейн гасился + первыми шестью, хотя он и не в точности такой же. Чем меньше популяция и + чем шире разрежённость, тем сильнее перекрываются коды похожих форм. + """ + + n_kc: int = 4000 + claws: int = 4 + sparsity: float = 0.02 # 80 активных клеток + seed: int = 20260214 + rate: float = 0.25 # депрессия за одно НОВОЕ место + place_m: float = 5.0 # насколько разнести места, чтобы считать их разными + same_frac: float = 0.30 # доля клеток «с этого же места» — значит, то же самое + read_q: float = 0.75 # квантиль отсчёта MBON: доля клеток, которых мало + quant: float = 0.5 # шаг огрубления признаков, в долях разброса + recover_m: float = 800.0 # путь, за который привыкание сходит наполовину + warmup: int = 60 # кандидатов на разогрев нормировки + norm_n: int = 300 # после стольких нормировка замирает + min_novelty: float = 0.05 # ниже этого привыкание не опускает + + +class Habituation: + """Кратковременное привыкание: гасит то, что повторяется в РАЗНЫХ местах пути. + + Обученная память решает задачу «этот тоннель я уже видел». На новом участке + она бесполезна по определению: новизна у всего максимальна, улика копится + беспрепятственно, и ложных тревог становится 24.3 на километр вместо 9.1. + А приватный тест — это как раз новый участок. + + Но даже на совершенно незнакомой линии есть признак, не требующий ни единого + прошлого проезда. **Тоннельная обстановка повторяется вдоль пути, а + посторонний предмет — нет.** Кабельный кронштейн, рама крепи, стык тюбингов + встречаются каждые несколько метров в одном и том же виде; упавший предмет + лежит в одном месте. Поэтому привыкание считается не по времени и не по + числу кадров, а по **числу разных точек пути**, где встретилась эта форма. + + Разница принципиальна. Настоящий предмет виден сто кадров подряд, но всё это + время он стоит в одной точке мира: его код депрессируется один раз и + остаётся новым до конца подъезда. Кронштейны за те же сто кадров дают + десятки разных точек и гаснут. + + Биологически это та же схема, только с другим учителем. Синапсы KC→MBON + депрессируются при повторном предъявлении — это и есть familiarity + suppression MBON-α′3. Момент депрессии здесь разрешает координата пути из + центрального комплекса: у мухи дофаминергические PPL1/PAM точно так же + решают, когда пластичности быть, и их вход зависит от состояния животного, + а не только от стимула. + + Привыкание постепенно сходит (`recover_m`): выехав с однообразного перегона + на станцию, система снова смотрит в оба. + """ + + def __init__(self, cfg: HabituationConfig | None = None): + self.cfg = cfg or HabituationConfig() + self.enc = MushroomBody( + MushroomBodyConfig(n_kc=self.cfg.n_kc, claws=self.cfg.claws, + sparsity=self.cfg.sparsity, seed=self.cfg.seed), + n_pn=len(HAB_FEATURES)) + n = self.cfg.n_kc + self.w = np.ones(n, np.float32) + # где в последний раз эта клетка Кеньона участвовала в наблюдении + self.last_s = np.full(n, -1e9, np.float32) + self.places = 0 + self._n = 0 + self._sum = np.zeros(len(HAB_FEATURES), np.float64) + self._sq = np.zeros(len(HAB_FEATURES), np.float64) + + @property + def level(self) -> float: + """Насколько привыкла популяция: 0 — всё ново, 1 — всё знакомо.""" + return float(1.0 - self.w.mean()) + + # ------------------------------------------------------------------ такт + + def advance(self, ds: float) -> None: + """Забывание по пройденному пути.""" + if ds <= 0 or self.cfg.recover_m <= 0: + return + k = 1.0 - 0.5 ** (ds / self.cfg.recover_m) + self.w += (1.0 - self.w) * k + + def _fit(self, X: np.ndarray) -> None: + """Дивизивная нормировка по накопленной статистике проезда. + + После `norm_n` кандидатов замирает, и это не мелочь. Пока нормировка + плывёт, вместе с ней плывёт и код: у неподвижного предмета, чьи признаки + формы вообще не меняются, набор активных клеток обновлялся настолько, + что предмет засчитывался как двадцать шесть разных мест и гасил сам + себя. С замороженной нормировкой одна и та же форма даёт один и тот же + код, и правило «то же место — не повтор» наконец работает. + + Порог низкий намеренно. При 4000 в бэге `roundT_doubleT` (всего около + 570 кандидатов за проезд) нормировка не замирала вовсе: привыкание + осталось на 0.20, медианная новизна кандидата 1.00 и ложных треков + ровно столько же, сколько без привыкания. Трёхсот кандидатов на десять + признаков для оценки среднего и разброса достаточно с запасом. + """ + self._n += X.shape[0] + if self._n > self.cfg.norm_n: + return + self._sum += X.sum(0) + self._sq += (X.astype(np.float64) ** 2).sum(0) + m = self._sum / self._n + v = np.maximum(self._sq / self._n - m * m, 1e-12) + self.enc.mean = m.astype(np.float32) + self.enc.scale = np.sqrt(v).astype(np.float32) + + def _coarse(self, X: np.ndarray) -> np.ndarray: + """Огрубить признаки до шага `quant` разброса — до кодирования. + + Без этого механизм не работает вовсе. Два кронштейна, снятые в разных + местах, отличаются на сантиметры, случайная проекция разносит их в + разные наборы клеток, и второй не узнаёт первого. Замер: при ёмкости, + достаточной чтобы не насыщаться (20 000 клеток), привыкание давало + ровно ноль — 7.5 ложных трека на км против тех же 7.5 без него. Весь + видимый эффект маленькой популяции был не узнаванием повторов, а + насыщением, которое одинаково давит и обстановку, и предмет. + + Огрубление до половины разброса заставляет близкие формы давать + буквально один и тот же код. Это coarse coding, и у мухи оно тоже есть: + клетка Кеньона реагирует на широкую область пространства запахов, а не + на точку. + """ + q = self.cfg.quant + if q <= 0: + return X + z = (X - self.enc.mean) / self.enc.scale + return (np.round(z / q) * q) * self.enc.scale + self.enc.mean + + def update(self, cands: list[Candidate], s_path: float, ds: float) -> None: + """Приглушить знакомое и запомнить то, что встретилось в новом месте. + + `s_path` — пройденный путь, м; положение формы в мире считается как + `s_path + c.d`, поэтому неподвижный предмет остаётся в одной точке, + сколько бы кадров к нему ни ехали. Оценка собственного движения копит + около 3 % ошибки, то есть за подъезд с сотни метров точка уползает на + два-три метра — отсюда и `place_m`: меньший разнос считается тем же + местом, больший — новым. + """ + self.advance(ds) + if not cands: + return + X = np.stack([describe_shape(c) for c in cands]) + self._fit(X) + if self._n < self.cfg.warmup: + return # нормировка ещё не осмысленна + act = self.enc.encode(self._coarse(X)) + # Отсчёт берётся КВАНТИЛЕМ, а не средним, и это решает главную проблему + # механизма. Коды похожих форм перекрываются частично: кронштейн, гасясь + # сам, задевает часть клеток предмета. При среднем половина подавленных + # клеток уже вдвое снижает новизну предмета — замерено, что новизна + # вставленного человека падала с 0.76 до 0.20, а обнаружение на 70–90 м + # со 100 % до 58 %. Квантиль 0.75 требует, чтобы подавлено было не менее + # трёх четвертей клеток кода: частичное перекрытие форму уже не гасит, + # а настоящий повтор гасит полностью. + fam = np.quantile(self.w[act], self.cfg.read_q, axis=1) + + lo = self.cfg.min_novelty + for c, f in zip(cands, fam): + # Берётся минимум, а не произведение: два канала знакомости, и + # достаточно одного, чтобы приглушить. Перемножение давило бы + # предмет дважды за одно и то же. + c.novelty = float(max(min(c.novelty, f), lo)) + + keep = 1.0 - self.cfg.rate + for i, c in enumerate(cands): + s_obj = np.float32(s_path + c.d) + a = act[i] + same = np.abs(self.last_s[a] - s_obj) <= self.cfg.place_m + # Отметка ставится всегда, в том числе клеткам, впервые попавшим в + # код: иначе подъезжающий предмет каждый кадр вербует свежие клетки + # и депрессирует сам себя. + self.last_s[a] = s_obj + if same.mean() >= self.cfg.same_frac: + continue # то же самое место — это не повтор + self.w[a] *= keep + self.places += 1 + + +class NoMemory: + """Заглушка: пока память не обучена, всё считается новым.""" + + n_seen = 0 + + @staticmethod + def annotate(cands: list[Candidate]) -> list[Candidate]: + return cands + + @staticmethod + def novelty_of(_c: Candidate) -> float: + return 1.0 diff --git a/flyguard/pipeline.py b/flyguard/pipeline.py new file mode 100644 index 0000000..9fe55dc --- /dev/null +++ b/flyguard/pipeline.py @@ -0,0 +1,328 @@ +"""Сборка конвейера: от облака точек до решения. + +Порядок стадий повторяет путь сигнала в мозге мухи: + + ретина → стабилизация → ламина → медулла/лобулярная пластинка + → лобула → грибовидное тело → центральный комплекс → нисходящие нейроны + +Конвейер держит состояние между кадрами (поза, коридор, собственное движение, +треки), поэтому один экземпляр обслуживает один поток лидарных данных. +""" +from __future__ import annotations + +import time +from dataclasses import dataclass, field + +import numpy as np + +from . import lamina +from .cdr import PointCloud2 +from .central_complex import CentralComplex +from .descending import Decision, DescendingNeurons +from .geometry import (STRAIGHT, Corridor, RailPlane, TrackFrame, fit_corridor, + fit_rail_plane) +from .fan_body import FanBody +from .lobula import Candidate, find_candidates, gauge_mask +from .medulla import EgoMotion, EgoMotionEstimator, EmdBank, looming +from .mbon_readout import MbonReadout +from .mushroom_body import Habituation, HabituationConfig, MushroomBody, NoMemory +from .retina import RangeImage, ScanLayout + + +@dataclass +class Params: + """Все настройки конвейера в одном месте.""" + + fov_deg: float = 30.0 # полусектор обработки по азимуту + half_width: float = 1.6 # полуширина габарита, м + h_lo: float = 0.28 # нижняя граница габарита над рельсом, м + h_hi: float = 2.3 # верхняя граница, м + ctx_up: float = 4.0 # насколько контекст лезет выше габарита, м + # Разделение фигуры и фона по движению (см. lobula.split_by_figure): + # порог скорости сближения вдоль луча, в долях пройденного пути. + # Поднимает рабочую дальность с 62 до 80 м, но вчетверо увеличивает ложные + # тревоги: в тоннеле полно поверхностей, которые приближаются так же, как + # предмет. 0 — выключено; рабочее значение 0.6. Кривая — EXPERIMENTS п. 9.4. + split_adv: float = 0.0 + # Разделение фигуры и фона по контрасту ламины (см. lobula.split_by_figure): + # порог «насколько ближе своего окружения», м. Гладкая стена даёт ноль по + # построению центр-окружения, предмет на стене — ступеньку. Именно это + # вытаскивает предмет из компоненты, растёкшейся вдоль стены круглого + # тоннеля, где покадровый тракт слеп целиком. 0 — выключено. + split_gap: float = 6.0 + split_near: float = 55.0 # ближе этого не резать: там и так видно + split_top: int = 1 # сколько фигур выносить из одной компоненты + # Накопление слабых улик в координатах пути (см. fan_body.py). Заменяет + # недоступный на большой дальности контраст к фону: на 140…185 м `gap` + # структурно равен нулю, и без накопления улика не растёт вовсе. + enable_accumulator: bool = True + acc_near: float = 55.0 # ближе этого покадровый тракт и так справляется + acc_gain: float = 1.5 # опора накопителя, засчитываемая за полный контраст + # Привыкание внутри проезда (см. mushroom_body.Habituation). Замысел: гасить + # формы, встретившиеся в НЕСКОЛЬКИХ разных точках пути, то есть штатную + # повторяющуюся обстановку, без единого прошлого проезда. + # + # ПО УМОЛЧАНИЮ ВЫКЛЮЧЕНО — измерено, что избирательности у механизма нет. + # При ёмкости, достаточной чтобы популяция не насыщалась (20 000 клеток), + # привыкание не меняет ничего: 7.5 ложных трека на км против тех же 7.5. + # Весь эффект маленькой популяции (5.9 на км) оказался насыщением, которое + # давит без разбора: новизна вставленного предмета падала до 0.24 при + # медианной новизне кандидата 0.43…0.71, то есть предмет подавлялся + # СИЛЬНЕЕ обстановки. Огрубление признаков и резкий отсчёт MBON не помогли. + # Разбор — EXPERIMENTS п. 10. + enable_habituation: bool = False + hab_rate: float = 0.25 # депрессия за одно новое место + hab_place_m: float = 5.0 # насколько разнести места, чтобы считать разными + hab_recover_m: float = 800.0 # путь, за который привыкание сходит наполовину + hab_n_kc: int = 20000 # ёмкость короткой памяти, клеток Кеньона + hab_read_q: float = 0.75 # квантиль отсчёта MBON + hab_quant: float = 0.5 # огрубление признаков, в долях разброса + # Обученное считывание MBON (см. mbon_readout.py). Заменяет ручную формулу + # веса улики в центральном комплексе там, где модель передана конвейеру; + # без модели всё работает по-прежнему. + enable_mbon: bool = True + mbon_power: float = 1.0 # резкость: p**power перед смешиванием + mbon_blend: float = 1.0 # 1 — только модель, 0 — только ручная формула + d_min: float = 4.0 + d_max: float = 220.0 + min_rays: int = 4 + calib_frames: int = 12 + novelty_gate: float = 0.0 # ниже этой новизны кандидат отбрасывается сразу + enable_motion: bool = True + enable_memory: bool = True + enable_looming: bool = False # T4/T5 + LPLC2: нужны для оценки надвигания и для + # схемы мозга; на решение пока не влияют + + # Переключатели для абляции: каждый отключает один механизм, оставляя + # остальные. Нужны, чтобы вклад механизма измерялся, а не декларировался. + use_corridor: bool = True # ось пути; False — прямой коридор вперёд + use_shape: bool = True # целостность, компактность, опора снизу + use_tracking: bool = True # накопление улик по кадрам + + +@dataclass +class FrameResult: + """Всё, что конвейер узнал за один кадр.""" + + stamp: float + decision: Decision + candidates: list[Candidate] + ego: EgoMotion | None + plane: RailPlane + corridor: Corridor + tf: TrackFrame | None = None + lam: lamina.LaminaOutput | None = None + emd: np.ndarray | None = None # (4, h, w) отклики T4/T5 + loom: np.ndarray | None = None # (h, w) отклик LPLC2 + hab: float = 0.0 # привыкание популяции KC, 0…1 + timings: dict = field(default_factory=dict) + + @property + def total_ms(self) -> float: + return sum(self.timings.values()) + + +class FlyGuard: + """Полный конвейер обнаружения посторонних объектов.""" + + def __init__(self, params: Params | None = None, + memory: MushroomBody | None = None, + layout: ScanLayout | None = None, + readout: "MbonReadout | None" = None): + self.p = params or Params() + self.memory = memory if (memory is not None and self.p.enable_memory) else NoMemory() + self.readout = readout if (readout is not None and self.p.enable_mbon) else None + self.layout_full = layout + self.layout: ScanLayout | None = None + self.cols: slice | None = None + + self.plane: RailPlane | None = None + self._prev_r: np.ndarray | None = None + self.corridor: Corridor | None = None + self.ego_est = EgoMotionEstimator() + self.fan: FanBody | None = None + self.s_path = 0.0 # пройденный путь, м — координата привыкания + self.hab = (Habituation(HabituationConfig( + n_kc=self.p.hab_n_kc, sparsity=80.0 / max(self.p.hab_n_kc, 1), + rate=self.p.hab_rate, place_m=self.p.hab_place_m, + read_q=self.p.hab_read_q, quant=self.p.hab_quant, + recover_m=self.p.hab_recover_m)) + if self.p.enable_habituation else None) + self.emd_bank = EmdBank() + self.cx = CentralComplex(use_shape=self.p.use_shape, + mbon_power=self.p.mbon_power, + mbon_blend=self.p.mbon_blend) + # без накопления улик трек подтверждается первым же наблюдением + self.dn = (DescendingNeurons() if self.p.use_tracking + else DescendingNeurons(warn_evidence=0.0, clear_evidence=0.0, + emergency_evidence=0.0, min_hits=1)) + self._calib: list[PointCloud2] = [] + self.frames_seen = 0 + + # ------------------------------------------------------------------ калибровка + + def _ensure_layout(self, pc: PointCloud2) -> bool: + """Накопить кадры и откалибровать решётку. False — ещё не готов.""" + if self.layout is not None: + return True + if self.layout_full is None: + self._calib.append(pc) + if len(self._calib) < self.p.calib_frames: + return False + self.layout_full = ScanLayout.calibrate(self._calib) + self._calib.clear() + self.cols = self.layout_full.column_slice(self.p.fov_deg) + self.layout = self.layout_full.sub(self.cols) + return True + + # ------------------------------------------------------------------ накопление + + def _accumulate(self, tf, inside, lat, ds: float, + cands: list[Candidate]) -> None: + """Досыпать кадр в веерное тело и проставить опору каждому кандидату.""" + if not self.p.enable_accumulator: + return + if self.fan is None: + self.fan = FanBody(d_max=self.p.d_max, half_width=self.p.half_width, + h_lo=self.p.h_lo, h_hi=self.p.h_hi, + d_near=self.p.acc_near) + self.fan.update(tf.d[inside], lat[inside], tf.h[inside], ds) + if not cands: + return + d = np.array([c.d for c in cands], np.float32) + u = np.array([c.u for c in cands], np.float32) + g = max(self.p.acc_gain, 1e-3) + for c, s in zip(cands, self.fan.support_at(d, u)): + c.extra["acc_support"] = float(s) / g + + # ------------------------------------------------------------------ фигура и фон + + MIN_DS = 0.25 # м: меньше — шум дальности забивает разницу + + def _advance(self, tf, ds: float): + """Скорость сближения вдоль каждого луча, в долях пройденного пути. + + Вдоль фиксированного луча стена, параллельная движению, не приближается + вовсе: поезд едет, точка пересечения скользит по стене, дальность + остаётся прежней. Предмет, обращённый к поезду, приближается ровно на + пройденный путь. Отсюда 0 у фона и 1 у фигуры. + + Сравниваются два соседних кадра в одной решётке: столбец отвечает + фиксированному азимуту, поэтому достаточно вычитания без перепроекции. + Рысканье в кривой за кадр меньше шага решётки (0.06° при радиусе + 1300 м против шага 0.1°), поэтому им пренебрегаем. + """ + cur = np.where(tf.valid, tf.r, np.nan).astype(np.float32) + prev, self._prev_r = self._prev_r, cur + if prev is None or prev.shape != cur.shape or ds < self.MIN_DS: + return None + with np.errstate(invalid="ignore"): + a = (prev - cur) / ds + return np.nan_to_num(a, nan=0.0, posinf=0.0, neginf=0.0) + + # ------------------------------------------------------------------ основной такт + + def process(self, pc: PointCloud2, *, keep_debug: bool = False) -> FrameResult | None: + """Обработать один кадр. None, пока идёт калибровка решётки.""" + t = _Timer() + if not self._ensure_layout(pc): + return None + self.frames_seen += 1 + + with t("retina"): + img: RangeImage = self.layout_full.project(pc, self.cols) + + with t("stabilize"): + self.plane = fit_rail_plane(img, self.layout, prev=self.plane) + tf = TrackFrame(img, self.layout, self.plane) + + with t("corridor"): + self.corridor = (fit_corridor(tf, prev=self.corridor) if self.p.use_corridor + else STRAIGHT) + + with t("lamina"): + lam = lamina.process(tf.r, tf.valid) + + with t("ego"): + ego = (self.ego_est.update(tf, pc.stamp) if self.p.enable_motion + else EgoMotion(0.0, 0.0, 0.0, 0.0, 0.1)) + + with t("figure"): + advance = self._advance(tf, ego.ds) + + emd = loom = None + if self.p.enable_looming: + with t("medulla"): + emd = self.emd_bank.update(lam.on) + loom = looming(emd) + + with t("lobula"): + masks = gauge_mask(tf, self.corridor, half_width=self.p.half_width, + h_lo=self.p.h_lo, h_hi=self.p.h_hi, + d_min=self.p.d_min, d_max=self.p.d_max) + cands = find_candidates(tf, lam, self.corridor, masks=masks, + half_width=self.p.half_width, h_lo=self.p.h_lo, + h_hi=self.p.h_hi, ctx_up=self.p.ctx_up, + split_adv=self.p.split_adv, + split_gap=self.p.split_gap, + split_near=self.p.split_near, + split_top=self.p.split_top, advance=advance, + d_min=self.p.d_min, + d_max=self.p.d_max, min_rays=self.p.min_rays) + + with t("mushroom"): + cands = self.memory.annotate(cands) + self.s_path += ego.ds + if self.hab is not None: + self.hab.update(cands, self.s_path, ego.ds) + if self.p.novelty_gate > 0: + cands = [c for c in cands if c.novelty >= self.p.novelty_gate] + + with t("fan"): + # Накопитель идёт ПОСЛЕ памяти и мимо неё: память обучена на + # покадровых кандидатах, а у накопленного скопления нет ни + # контраста к фону, ни интенсивности — её признаки для него + # не определены. Судить о нём надо по тому, что у него есть: + # по числу попаданий в одну точку пути и по размеру. + self._accumulate(tf, masks[0], masks[1], ego.ds, cands) + + with t("readout"): + # Строго после накопителя: опора веерного тела входит в признаки + # считывания, и на большой дальности это его главный вход. + if self.readout is not None: + self.readout.annotate(cands) + + with t("central"): + self.cx.update(cands, ego.ds, ego.dt) + + with t("descending"): + decision = self.dn.decide(self.cx, ego.speed) + + return FrameResult(stamp=pc.stamp, decision=decision, candidates=cands, + ego=ego, plane=self.plane, corridor=self.corridor, + tf=tf if keep_debug else None, + lam=lam if keep_debug else None, + emd=emd, loom=loom, + hab=self.hab.level if self.hab is not None else 0.0, + timings=t.result) + + +class _Timer: + """Замер времени по стадиям — нужен для отчёта о задержке.""" + + def __init__(self): + self.result: dict[str, float] = {} + self._name = None + self._t0 = 0.0 + + def __call__(self, name: str): + self._name = name + return self + + def __enter__(self): + self._t0 = time.perf_counter() + return self + + def __exit__(self, *exc): + self.result[self._name] = (time.perf_counter() - self._t0) * 1e3 + return False diff --git a/flyguard/retina.py b/flyguard/retina.py new file mode 100644 index 0000000..a13c9de --- /dev/null +++ b/flyguard/retina.py @@ -0,0 +1,351 @@ +"""RETINA — омматидиальная решётка. + +Фасеточный глаз дрозофилы — регулярная решётка омматидиев, каждый смотрит в свою +фиксированную сторону. Вращающийся лидар устроен так же: пара (кольцо, столбец) +задаёт направление луча. Поэтому облако точек сразу переводится в *ретинотопический* +дальностный образ `(кольцо, азимут)`, и вся дальнейшая обработка идёт в этой +решётке — как в зрительной системе мухи, а не в неупорядоченном облаке. + +Три особенности конкретного сенсора, измеренные по данным (см. `docs/ALGORITHM.md`): + +1. **Раскладка различается между бэгами**: 3600 азимутов на 360° против 1200 на + 100°. Решётка калибруется по самим данным, ничего не захардкожено. +2. **Двойное эхо**: соседние столбцы делят один азимут. Когда эхо одно, оба слота + содержат одно значение; когда два — ближнее несёт объект, дальнее фон за ним. + Реально различаются ~3 % лучей, и это именно тонкие предметы и кромки. +3. **Скос решётки**: у каждого лазерного канала свой постоянный азимутальный сдвиг, + разброс достигает **15.5°** (≈155 столбцов). В сыром виде «столбец» не является + направлением: соседние кольца одного столбца смотрят в стороны, разнесённые на + градусы. Поэтому образ **выпрямляется** целочисленным сдвигом строк; остаточная + ошибка < половины шага азимута и учитывается в таблице направлений. +""" +from __future__ import annotations + +import warnings +from contextlib import contextmanager +from dataclasses import dataclass +from pathlib import Path + +import numpy as np + +from .cdr import PointCloud2 + +DEG = np.pi / 180.0 + + +@dataclass +class RangeImage: + """Выпрямленный дальностный образ в координатах `(кольцо, азимут)`.""" + + stamp: float + r_near: np.ndarray # (H, W) float32 — ближнее эхо, 0 = нет эха + r_far: np.ndarray # (H, W) float32 — дальнее эхо, 0 = нет эха + inten: np.ndarray # (H, W) float32 — интенсивность ближнего эха + valid: np.ndarray # (H, W) bool + + @property + def shape(self) -> tuple[int, int]: + return self.r_near.shape + + def xyz(self, layout: "ScanLayout") -> np.ndarray: + """Декартовы координаты ближнего эха: (H, W, 3).""" + return layout.dirs * self.r_near[..., None] + + def crop(self, cols: slice) -> "RangeImage": + return RangeImage(self.stamp, self.r_near[:, cols], self.r_far[:, cols], + self.inten[:, cols], self.valid[:, cols]) + + +class ScanLayout: + """Калиброванная и выпрямленная решётка лучей. + + Азимут отсчитывается от направления движения (вперёд = −Y в системе сенсора), + положительный вправо; элевация — вверх от горизонтали сенсора. + """ + + def __init__(self, el_deg: np.ndarray, az_step_deg: float, az0_deg: float, + col_shift: np.ndarray, az_resid_deg: np.ndarray, + n_az: int, n_echo: int, wrap: bool = False): + self.el_deg = np.asarray(el_deg, np.float64) # (H,) + self.az_step_deg = float(az_step_deg) # шаг на азимутальный индекс + self.az0_deg = float(az0_deg) + self.col_shift = np.asarray(col_shift, np.int64) # (H,) выпрямление + self.az_resid_deg = np.asarray(az_resid_deg, np.float64) # (H,) остаток < шага/2 + self.n_az = int(n_az) + self.n_echo = int(n_echo) + self.wrap = bool(wrap) # круговой скан: края смыкаются + self.n_rings = self.el_deg.size + + self.az_grid_deg = self.az0_deg + self.az_step_deg * np.arange(self.n_az) + + # карта выборки для выпрямления: out[h, j] = raw[h, j + shift[h]] + j = np.arange(self.n_az)[None, :] + src = j + self.col_shift[:, None] + if self.wrap: + # у кругового скана «выехавшие» столбцы приходят с другого края + self.gather = np.mod(src, self.n_az).astype(np.intp) + self.gather_ok = np.ones_like(self.gather, bool) + else: + self.gather_ok = (src >= 0) & (src < self.n_az) + self.gather = np.clip(src, 0, self.n_az - 1).astype(np.intp) + + self.az_full_deg = self.az_grid_deg[None, :] + self.az_resid_deg[:, None] + self.dirs = self._unit_dirs().astype(np.float32) # (H, W, 3) + # угловой шаг по кольцам: у решётки из одного кольца градиента нет + self.el_step_deg = (np.abs(np.gradient(self.el_deg)) if self.n_rings > 1 + else np.full(self.n_rings, 0.125)) + + # ------------------------------------------------------------------ геометрия + + def _unit_dirs(self) -> np.ndarray: + az = self.az_full_deg * DEG + el = (self.el_deg[:, None] * DEG) * np.ones_like(az) + c = np.cos(el) + return np.stack([c * np.sin(az), -c * np.cos(az), np.sin(el)], axis=-1) + + def column_slice(self, half_fov_deg: float) -> slice: + """Непрерывный диапазон столбцов внутри ±half_fov по азимуту.""" + inside = np.flatnonzero(np.abs(self.az_grid_deg) <= half_fov_deg) + if inside.size == 0: + return slice(0, self.n_az) + return slice(int(inside[0]), int(inside[-1]) + 1) + + def sub(self, cols: slice) -> "ScanLayout": + """Урезанная по азимуту копия решётки (для обработки только переднего сектора).""" + start = cols.start or 0 + stop = cols.stop if cols.stop is not None else self.n_az + out = ScanLayout.__new__(ScanLayout) + out.el_deg = self.el_deg + out.az_step_deg = self.az_step_deg + out.az0_deg = float(self.az_grid_deg[start]) + out.col_shift = self.col_shift + out.az_resid_deg = self.az_resid_deg + out.n_az = stop - start + out.n_echo = self.n_echo + out.wrap = False # вырезанный сектор больше не смыкается + out.n_rings = self.n_rings + out.az_grid_deg = self.az_grid_deg[start:stop] + out.gather_ok = self.gather_ok[:, start:stop] + out.gather = self.gather[:, start:stop] + out.az_full_deg = self.az_full_deg[:, start:stop] + out.dirs = np.ascontiguousarray(self.dirs[:, start:stop]) + out.el_step_deg = self.el_step_deg + return out + + # ------------------------------------------------------------------ проекция + + def project(self, pc: PointCloud2, cols: slice | None = None) -> RangeImage: + """Облако точек → выпрямленный дальностный образ. + + `cols` задаёт нужный диапазон **выходных** столбцов. Тяжёлая + арифметика (корень по 900 тыс. точек) выполняется только над теми + сырыми столбцами, которые в этот диапазон попадут с учётом скоса + каналов, — на круговом скане это экономит почти всё время стадии. + """ + n, w, e = self.n_rings, self.n_az, self.n_echo + start = 0 if cols is None else (cols.start or 0) + stop = w if cols is None else (cols.stop if cols.stop is not None else w) + + lo = start + int(self.col_shift.min()) + hi = stop + int(self.col_shift.max()) + if self.wrap: + raw_cols = np.arange(lo, hi) % w + else: + lo = max(lo, 0) + hi = min(hi, w) + raw_cols = None + + pts = pc.points + + def cube(name: str) -> np.ndarray: + a = pts[name].reshape(w, e, n) + a = a[raw_cols] if raw_cols is not None else a[lo:hi] + return a.transpose(2, 0, 1) + + x, y, z = cube("x"), cube("y"), cube("z") + good = (x != 0) | (y != 0) | (z != 0) + r = np.sqrt(x * x + y * y + z * z, dtype=np.float32) + r *= good + + if e == 1: + r_near = r[..., 0] + r_far = r[..., 0] + it = cube("intensity")[..., 0] + valid = good[..., 0] + else: + inten = cube("intensity") + near_i = np.argmin(np.where(good, r, np.float32(np.inf)), axis=-1)[..., None] + far_i = np.argmax(r, axis=-1)[..., None] + r_near = np.take_along_axis(r, near_i, -1)[..., 0] + r_far = np.take_along_axis(r, far_i, -1)[..., 0] + it = np.take_along_axis(inten, near_i, -1)[..., 0] + valid = good.any(axis=-1) + + # выпрямление скоса каналов, с поправкой на смещение окна + g = self.gather[:, start:stop] + ok = self.gather_ok[:, start:stop] + if raw_cols is not None: + g = (g - lo) % w + else: + g = g - lo + ok = ok & (g >= 0) & (g < (hi - lo)) + np.clip(g, 0, hi - lo - 1, out=g) + + r_near = np.take_along_axis(r_near, g, 1) + r_far = np.take_along_axis(r_far, g, 1) + it = np.take_along_axis(it, g, 1) + valid = np.take_along_axis(valid, g, 1) & ok + + r_near = np.where(valid, r_near, np.float32(0.0)) + r_far = np.where(valid, r_far, np.float32(0.0)) + return RangeImage(pc.stamp, np.ascontiguousarray(r_near), + np.ascontiguousarray(r_far), np.ascontiguousarray(it), + np.ascontiguousarray(valid)) + + # ------------------------------------------------------------------ калибровка + + @staticmethod + def calibrate(clouds: list[PointCloud2], n_rings: int | None = None) -> "ScanLayout": + """Восстановить решётку по нескольким кадрам. + + Определяются: число колец и эх, элевация каждого кольца, шаг развёртки, + азимутальный сдвиг каждого канала и целочисленное выпрямление образа. + """ + if not clouds: + raise ValueError("нужен хотя бы один кадр для калибровки") + pc0 = clouds[0] + if n_rings is None: + n_rings = int(pc0.points["ring"].max()) + 1 + n_cols, rem = divmod(pc0.n_points, n_rings) + if rem: + raise ValueError(f"{pc0.n_points} точек не делится на {n_rings} колец") + + # Направление луча задано сенсором и в каждом кадре одно и то же: + # кадры нужны только чтобы закрыть лучи, не вернувшие эхо. Поэтому + # берётся первое конечное значение, а не медиана по стопке кадров — + # та стоила 1.4 с из 2.8 с всей калибровки и ничего не уточняла: + # ниже и шаг развёртки, и сдвиг канала берутся медианой по тысячам + # столбцов, где шум одного отсчёта всё равно усредняется. + az = el = None + for pc in clouds: + x = pc.points["x"].reshape(n_cols, n_rings).T.astype(np.float32) + y = pc.points["y"].reshape(n_cols, n_rings).T.astype(np.float32) + z = pc.points["z"].reshape(n_cols, n_rings).T.astype(np.float32) + ok = (x != 0) | (y != 0) | (z != 0) + with _quiet(): + a = np.where(ok, np.degrees(np.arctan2(x, -y)), np.nan) + e = np.where(ok, np.degrees(np.arctan2(z, np.hypot(x, y))), np.nan) + if az is None: + az, el = a, e + continue + gap = np.isnan(az) + if not gap.any(): + break + az[gap] = a[gap] + el[gap] = e[gap] + az = az.astype(np.float64) + el = el.astype(np.float64) + + n_echo = _detect_echoes(az) + n_az = n_cols // n_echo + if n_echo > 1: + with _quiet(): + az = np.nanmean(az.reshape(n_rings, n_az, n_echo), axis=2) + el = np.nanmean(el.reshape(n_rings, n_az, n_echo), axis=2) + + # общий шаг развёртки: медиана по кольцам от робастной оценки наклона + slopes = [] + for h in range(n_rings): + row = az[h] + idx = np.flatnonzero(np.isfinite(row)) + if idx.size < 50: + continue + d = np.diff(np.unwrap(np.radians(row[idx]))) / np.diff(idx) + slopes.append(np.median(np.degrees(d))) + if not slopes: + raise ValueError("недостаточно валидных лучей для калибровки развёртки") + step = float(np.median(slopes)) + + # смещение каждого канала относительно общей развёртки + j = np.arange(n_az, dtype=np.float64) + base = step * j + with _quiet(): + c_ring = np.nanmedian(_wrap180(az - base[None, :]), axis=1) # (H,) + c_ring = _fill_linear(c_ring) + c0 = float(np.median(c_ring)) + + # круговой скан: развёртка покрывает полные 360° + wrap = abs(step) * n_az > 350.0 + + # начало отсчёта выбирается так, чтобы «вперёд» (азимут 0) был в середине + # образа — иначе шов ±180° разрезал бы рабочий сектор пополам + if wrap: + k = int(np.rint(-c0 / step)) - n_az // 2 + c0 = _wrap180(c0 + step * k) + # разница берётся по кратчайшей дуге: иначе шов ±180° даёт сдвиг в пол-оборота + shift = np.rint(_wrap180(c0 - c_ring) / step).astype(np.int64) + resid = _wrap180(c_ring + step * shift - c0) + + with _quiet(): + el_ring = _fill_linear(np.nanmedian(el, axis=1)) + return ScanLayout(el_ring, step, float(c0), shift, resid, n_az, n_echo, wrap) + + # ------------------------------------------------------------------ сериализация + + def save(self, path: str | Path) -> None: + np.savez_compressed(path, el_deg=self.el_deg, az_step_deg=self.az_step_deg, + az0_deg=self.az0_deg, col_shift=self.col_shift, + az_resid_deg=self.az_resid_deg, n_az=self.n_az, + n_echo=self.n_echo, wrap=self.wrap) + + @staticmethod + def load(path: str | Path) -> "ScanLayout": + d = np.load(path) + return ScanLayout(d["el_deg"], float(d["az_step_deg"]), float(d["az0_deg"]), + d["col_shift"], d["az_resid_deg"], int(d["n_az"]), + int(d["n_echo"]), bool(d["wrap"]) if "wrap" in d else False) + + def __repr__(self) -> str: + return (f"ScanLayout(колец={self.n_rings}, азимутов={self.n_az}, эх={self.n_echo}, " + f"сектор {self.az_grid_deg.min():.1f}°…{self.az_grid_deg.max():.1f}°, " + f"шаг {abs(self.az_step_deg):.3f}°, " + f"элевация {self.el_deg.min():.1f}°…{self.el_deg.max():.1f}°, " + f"скос каналов {np.ptp(self.col_shift)} стлб)") + + +# ---------------------------------------------------------------------- вспомогательное + +@contextmanager +def _quiet(): + """Пустые срезы и деление на ноль при калибровке — норма, а не ошибка.""" + with warnings.catch_warnings(), np.errstate(all="ignore"): + warnings.simplefilter("ignore", RuntimeWarning) + yield + + +def _wrap180(a): + """Привести угол(ы) в градусах к полуинтервалу (−180, 180].""" + return -((-np.asarray(a, np.float64) + 180.0) % 360.0 - 180.0) + + +def _detect_echoes(az: np.ndarray) -> int: + """Двойное эхо: соседние столбцы делят азимут (проверяется по каждому кольцу).""" + if az.shape[1] < 4: + return 1 + a, b = az[:, 0::2], az[:, 1::2] + m = np.isfinite(a) & np.isfinite(b) + if m.sum() < 100: + return 1 + return 2 if np.mean(np.abs(a[m] - b[m]) < 1e-3) > 0.8 else 1 + + +def _fill_linear(a: np.ndarray) -> np.ndarray: + """Линейно достроить NaN-пропуски по индексу (сетка равномерная).""" + a = np.asarray(a, np.float64).copy() + bad = ~np.isfinite(a) + if bad.all(): + raise ValueError("нет ни одного валидного угла для калибровки") + if bad.any(): + idx = np.arange(a.size) + a[bad] = np.interp(idx[bad], idx[~bad], a[~bad]) + return a diff --git a/flyguard/synth.py b/flyguard/synth.py new file mode 100644 index 0000000..cf2aaf9 --- /dev/null +++ b/flyguard/synth.py @@ -0,0 +1,315 @@ +"""Синтетические препятствия: трассировка лучей в реальные кадры. + +Разметки в датасете нет, а организаторы прямо предупредили, что приватный тест +собран добавлением синтезированных препятствий в новые проезды. Поэтому свой +полигон строится тем же способом: берётся настоящий кадр пустого тоннеля, +в него трассировкой лучей вставляется предмет заданного размера на заданной +дистанции, и получается **размеченный** пример с точно известным ответом. + +Вставка идёт в исходное облако точек, а не в готовый дальностный образ, поэтому +через конвейер проходит ровно тот же путь, что и настоящие данные, начиная +с ретины. + +Модель сенсора намеренно пессимистична: добавляется шум дальности, вероятность +несостоявшегося эха растёт с расстоянием и с углом падения, а интенсивность +считается по ламбертовой модели. Лучше недооценить свой детектор, чем на +защите обнаружить, что полигон был слишком добрым. +""" +from __future__ import annotations + +from dataclasses import dataclass, field + +import numpy as np + +from .cdr import PointCloud2 +from .geometry import RailPlane +from .retina import ScanLayout + +INF = np.float32(np.inf) + + +# --------------------------------------------------------------------------- тела + +@dataclass +class Box: + """Параллелепипед в координатах пути, стоящий на плоскости рельсов.""" + + length: float # вдоль пути, м + width: float # поперёк, м + height: float # вверх от рельса, м + h_base: float = 0.0 + + def intersect(self, od, ou, oh, dd, du, dh) -> np.ndarray: + lo = np.array([-self.length / 2, -self.width / 2, self.h_base], np.float32) + hi = np.array([self.length / 2, self.width / 2, self.h_base + self.height], np.float32) + t0 = np.full(od.shape, -INF, np.float32) + t1 = np.full(od.shape, INF, np.float32) + for o, d, a, b in ((od, dd, lo[0], hi[0]), (ou, du, lo[1], hi[1]), + (oh, dh, lo[2], hi[2])): + with np.errstate(divide="ignore", invalid="ignore"): + ta = (a - o) / d + tb = (b - o) / d + lo_t = np.where(d != 0, np.minimum(ta, tb), np.where((o >= a) & (o <= b), -INF, INF)) + hi_t = np.where(d != 0, np.maximum(ta, tb), np.where((o >= a) & (o <= b), INF, -INF)) + t0 = np.maximum(t0, lo_t) + t1 = np.minimum(t1, hi_t) + hit = (t1 >= np.maximum(t0, 0.0)) & np.isfinite(t0) + return np.where(hit, np.maximum(t0, 0.0), INF) + + +@dataclass +class Cylinder: + """Вертикальный цилиндр — человек, столб, ведро.""" + + radius: float + height: float + h_base: float = 0.0 + + def intersect(self, od, ou, oh, dd, du, dh) -> np.ndarray: + a = dd * dd + du * du + b = 2.0 * (od * dd + ou * du) + c = od * od + ou * ou - self.radius ** 2 + disc = b * b - 4 * a * c + ok = (disc > 0) & (a > 1e-9) + sq = np.sqrt(np.where(ok, disc, 0.0)) + with np.errstate(divide="ignore", invalid="ignore"): + t = (-b - sq) / (2 * a) + t2 = (-b + sq) / (2 * a) + t = np.where(t > 0, t, t2) + h = oh + t * dh + ok &= (t > 0) & (h >= self.h_base) & (h <= self.h_base + self.height) + return np.where(ok, t, INF) + + +@dataclass +class Sphere: + radius: float + h_centre: float + + def intersect(self, od, ou, oh, dd, du, dh) -> np.ndarray: + oz = oh - self.h_centre + a = dd * dd + du * du + dh * dh + b = 2.0 * (od * dd + ou * du + oz * dh) + c = od * od + ou * ou + oz * oz - self.radius ** 2 + disc = b * b - 4 * a * c + ok = disc > 0 + sq = np.sqrt(np.where(ok, disc, 0.0)) + with np.errstate(divide="ignore", invalid="ignore"): + t = (-b - sq) / (2 * a) + return np.where(ok & (t > 0), t, INF) + + +@dataclass +class ObjectModel: + """Предмет: набор тел плюс отражательные свойства.""" + + name: str + parts: list = field(default_factory=list) + reflectivity: float = 0.3 # 0…1, доля отражённого света + + def intersect(self, od, ou, oh, dd, du, dh) -> np.ndarray: + t = np.full(od.shape, INF, np.float32) + for p in self.parts: + t = np.minimum(t, p.intersect(od, ou, oh, dd, du, dh)) + return t + + @property + def size(self) -> tuple[float, float]: + """Грубые габариты (ширина, высота) для отчётов.""" + w = h = 0.0 + for p in self.parts: + if isinstance(p, Box): + w = max(w, p.width); h = max(h, p.h_base + p.height) + elif isinstance(p, Cylinder): + w = max(w, 2 * p.radius); h = max(h, p.h_base + p.height) + elif isinstance(p, Sphere): + w = max(w, 2 * p.radius); h = max(h, p.h_centre + p.radius) + return w, h + + +def catalogue() -> dict[str, ObjectModel]: + """Набор предметов, встречающихся в тоннеле, от крупных к мелким.""" + return { + "человек_стоя": ObjectModel("человек_стоя", [ + Cylinder(radius=0.22, height=1.45), + Sphere(radius=0.11, h_centre=1.60)], reflectivity=0.35), + "человек_сидя": ObjectModel("человек_сидя", [ + Box(0.45, 0.50, 0.85)], reflectivity=0.35), + "ящик": ObjectModel("ящик", [Box(0.60, 0.60, 0.60)], reflectivity=0.40), + "чемодан": ObjectModel("чемодан", [Box(0.25, 0.45, 0.55)], reflectivity=0.30), + "ведро": ObjectModel("ведро", [Cylinder(radius=0.15, height=0.35)], reflectivity=0.45), + "камень": ObjectModel("камень", [Sphere(radius=0.11, h_centre=0.11)], reflectivity=0.20), + "бутылка": ObjectModel("бутылка", [Cylinder(radius=0.045, height=0.30)], + reflectivity=0.25), + "кабель": ObjectModel("кабель", [Box(2.20, 0.06, 0.06)], reflectivity=0.15), + "каска": ObjectModel("каска", [Sphere(radius=0.14, h_centre=0.10)], reflectivity=0.55), + } + + +# --------------------------------------------------------------------------- вставка + +@dataclass +class Placement: + """Где стоит предмет.""" + + d: float # вперёд от сенсора, м + u: float = 0.0 # поперёк от оси пути, м + yaw_deg: float = 0.0 # поворот вокруг вертикали (для вытянутых тел) + + +def ray_dirs_track(layout: ScanLayout, plane: RailPlane): + """Направления лучей в координатах пути: (dd, du, dh) и начало (0, 0, H).""" + dirs = layout.dirs + dd = -dirs[..., 1].astype(np.float32) + du = dirs[..., 0].astype(np.float32) + dh = (dirs[..., 2] - plane.a * dd - plane.b * du).astype(np.float32) + return dd, du, dh, np.float32(plane.height) + + +# Паспортные данные Pandar128E3X (руководство v4p5, п. 1.4 и Приложение A): +# дальность 0.3…200 м при отражательной способности 10 %, вероятность +# обнаружения на паспортной дальности PoD = 70 %, точность ±2 см на 1…200 м. +SPEC_REFLECTIVITY = 0.10 +SPEC_POD = 0.70 +HARD_MAX_RANGE = 230.0 # дальше в датасете возвратов не встречается + +# Расходимость луча в руководстве не указана; принята равной угловому шагу +# решётки (0.1° по азимуту, 0.125° по элевации в полосе высокого разрешения) — +# это верхняя оценка, дающая консервативный результат для мелких предметов. +BEAM_DIV_H = 1.75e-3 # рад +BEAM_DIV_V = 2.18e-3 # рад + +_CHANNEL_RANGE: np.ndarray | None = None + + +def channel_max_range() -> np.ndarray: + """Паспортная дальность каждого канала при 10 % отражения, (128,). + + Каналы сильно неравноправны: 34–65 «дальнобойные» и берут 200 м, а 98–128 + смотрят в землю и рассчитаны только на ближнее и среднее поле. Без учёта + этого синтетический полигон завышал бы дальность обнаружения для предметов, + попадающих в нижние каналы. + """ + global _CHANNEL_RANGE + if _CHANNEL_RANGE is None: + import csv + from pathlib import Path + path = Path(__file__).with_name("data") / "pandar128_channels.csv" + try: + rows = sorted(csv.DictReader(open(path, encoding="utf-8")), + key=lambda r: int(r["channel"])) + _CHANNEL_RANGE = np.array([float(r["max_range_10pct_m"]) for r in rows], + np.float32) + except (OSError, KeyError, ValueError): + _CHANNEL_RANGE = np.full(128, 200.0, np.float32) + return _CHANNEL_RANGE + + +def dropout_probability(r: np.ndarray, reflectivity: float, + ang_w: np.ndarray | float = 1.0, + ang_h: np.ndarray | float = 1.0, + max_range: np.ndarray | float = 200.0) -> np.ndarray: + """Вероятность, что эхо не вернётся. + + Принятая мощность падает как ρ·A/r², где A — доля пятна луча, закрытая + предметом. Отсюда «эффективная дальность» r·√(ρ_паспорт/(ρ·A)), которую + остаётся сравнить с паспортной дальностью **этого канала**. Переход сделан + логистическим и смещён так, чтобы на паспортной дальности вероятность + обнаружения равнялась заявленным 70 %. + + Заполнение пятна важно именно для мелких предметов: на 200 м луч шириной + 1.75 мрад покрывает 35 см, и бутылка диаметром 9 см отражает лишь четверть + его энергии — поэтому она пропадает намного раньше человека, хотя по + геометрии в неё ещё попадают лучи. + """ + fill = np.clip(ang_w / BEAM_DIV_H, 0.05, 1.0) * np.clip(ang_h / BEAM_DIV_V, 0.05, 1.0) + rho = max(reflectivity, 0.02) * fill + eff = r * np.sqrt(SPEC_REFLECTIVITY / rho) + width = 0.12 * np.asarray(max_range, np.float32) + r50 = np.asarray(max_range, np.float32) + width * np.log(SPEC_POD / (1 - SPEC_POD)) + p_detect = 1.0 / (1.0 + np.exp((eff - r50) / np.maximum(width, 1e-3))) + p_detect = np.where(r > HARD_MAX_RANGE, 0.0, p_detect) + return np.clip(1.0 - p_detect, 0.0, 1.0).astype(np.float32) + + +def inject(pc: PointCloud2, layout: ScanLayout, plane: RailPlane, + obj: ObjectModel, place: Placement, *, + rng: np.random.Generator | None = None, + range_noise: float = 0.02, cols: slice | None = None) -> tuple[PointCloud2, dict]: + """Вставить предмет в облако точек. Возвращает (новое облако, разметка).""" + rng = rng or np.random.default_rng() + n_rings, n_az, n_echo = layout.n_rings, layout.n_az, layout.n_echo + + dd, du, dh, H = ray_dirs_track(layout, plane) + # начало луча в системе предмета: сенсор в (0,0,H), предмет в (d, u, 0) + od = np.full(dd.shape, -np.float32(place.d), np.float32) + ou = np.full(dd.shape, -np.float32(place.u), np.float32) + oh = np.full(dd.shape, H, np.float32) + + if place.yaw_deg: + c, s = np.cos(np.radians(place.yaw_deg)), np.sin(np.radians(place.yaw_deg)) + od, ou = c * od + s * ou, -s * od + c * ou + dd, du = c * dd + s * du, -s * dd + c * du + + t = obj.intersect(od, ou, oh, dd, du, dh) + hit = np.isfinite(t) & (t > 1.0) + if not hit.any(): + return pc, dict(hit_rays=0, d=place.d, u=place.u, name=obj.name) + + # шум дальности и пропуски эха + t = t + rng.normal(0.0, range_noise, t.shape).astype(np.float32) + w_obj, h_obj = obj.size + ang_w = w_obj / np.maximum(t, 1.0) + ang_h = h_obj / np.maximum(t, 1.0) + ch_range = channel_max_range() + per_ray_range = (ch_range[:n_rings, None] if ch_range.size >= n_rings + else np.float32(200.0)) + p_drop = dropout_probability(t, obj.reflectivity, ang_w, ang_h, per_ray_range) + hit &= rng.random(t.shape) > p_drop + + pts = pc.points.copy() + ring_i, col_i = np.nonzero(hit) + raw_col = layout.gather[ring_i, col_i] # выпрямленный столбец → сырой + new_r = t[ring_i, col_i] + + # плоский индекс точки: (сырой столбец · число эх + эхо) · число колец + кольцо + base = (raw_col * n_echo) * n_rings + ring_i + fx, fy, fz = pts["x"], pts["y"], pts["z"] # виды на поля, запись идёт в pts + + # предмет виден, только если он ближе уже зарегистрированного эха + r_exist = np.full(base.shape, INF, np.float32) + for e in range(n_echo): + idx = base + e * n_rings + ex, ey, ez = fx[idx], fy[idx], fz[idx] + have = (ex != 0) | (ey != 0) | (ez != 0) + r_e = np.where(have, np.sqrt(ex * ex + ey * ey + ez * ez), INF) + r_exist = np.minimum(r_exist, r_e) + + closer = new_r < r_exist + ring_i, col_i, base, new_r = ring_i[closer], col_i[closer], base[closer], new_r[closer] + n_written = int(base.size) + if n_written: + dir_sel = layout.dirs[ring_i, col_i] + nx = (dir_sel[:, 0] * new_r).astype(np.float32) + ny = (dir_sel[:, 1] * new_r).astype(np.float32) + nz = (dir_sel[:, 2] * new_r).astype(np.float32) + # ламбертова интенсивность: ρ·cosθ/r², приведена к шкале прибора 0…255 + cos_inc = np.clip(np.abs(dir_sel[:, 1]), 0.05, 1.0) + inten = np.clip(2.2e4 * obj.reflectivity * cos_inc / (new_r ** 2), 1, 255) + for e in range(n_echo): + idx = base + e * n_rings + fx[idx] = nx + fy[idx] = ny + fz[idx] = nz + pts["intensity"][idx] = inten.astype(np.float32) + + out = PointCloud2(stamp=pc.stamp, frame_id=pc.frame_id, height=pc.height, + width=pc.width, point_step=pc.point_step, + is_dense=pc.is_dense, points=pts) + w, hgt = obj.size + return out, dict(hit_rays=int(n_written), d=float(place.d), u=float(place.u), + name=obj.name, width=w, height=hgt, + reflectivity=obj.reflectivity, + # индексы лучей, в которые предмет реально записан: по ним + # разметка кандидата точная, а не «по дальности примерно» + rays=(ring_i, col_i)) diff --git a/requirements.txt b/requirements.txt new file mode 100644 index 0000000..803f00f --- /dev/null +++ b/requirements.txt @@ -0,0 +1,7 @@ +numpy>=1.24 +scipy>=1.10 +# только для контрольного бустинга в tools/train_mbon.py --baseline +lightgbm>=4.0 +# только для обучения на GPU (tools/train_mbon.py --device cuda); ядру не нужен +# torch>=2.0 +pytest>=7.0 diff --git a/tests/test_pipeline.py b/tests/test_pipeline.py new file mode 100644 index 0000000..5cebcf1 --- /dev/null +++ b/tests/test_pipeline.py @@ -0,0 +1,326 @@ +"""Тесты конвейера, не требующие ROS. + +Проверяется то, что легко сломать незаметно: разбор CDR, порядок точек, +выпрямление скоса каналов, геометрия плоскости пути, связность с учётом +глубины, кодирование грибовидного тела и вставка синтетического предмета. + + pytest ros2_ws/src/flyguard/test +""" +from __future__ import annotations + +import sys +from pathlib import Path + +import numpy as np +import pytest + +ROOT = Path(__file__).resolve().parents[1] +if str(ROOT) not in sys.path: + sys.path.insert(0, str(ROOT)) + +from flyguard.cdr import point_dtype # noqa: E402 +from flyguard.geometry import RailPlane # noqa: E402 +from flyguard.lobula import cluster_by_depth # noqa: E402 +from flyguard.mushroom_body import MushroomBody, MushroomBodyConfig # noqa: E402 +from flyguard.retina import ScanLayout # noqa: E402 + +DATA = ROOT / "data" / "for_hackathon" +if not DATA.exists(): + DATA = ROOT.parent / "data" / "for_hackathon" + + +# --------------------------------------------------------------------------- CDR + +def test_point_dtype_handles_unaligned_timestamp(): + """У лидара поле timestamp (float64) лежит по смещению 18 — без выравнивания.""" + fields = [("x", 0, 7, 1), ("y", 4, 7, 1), ("z", 8, 7, 1), ("intensity", 12, 7, 1), + ("ring", 16, 4, 1), ("timestamp", 18, 8, 1)] + dt = point_dtype(fields, 26) + assert dt.itemsize == 26 + assert dt["timestamp"].itemsize == 8 + + +def test_point_dtype_pads_trailing_gap(): + """Хвост до point_step добивается паддингом — так устроено само сообщение.""" + assert point_dtype([("x", 0, 7, 1)], 26).itemsize == 26 + + +def test_point_dtype_rejects_overlapping_fields(): + with pytest.raises(ValueError, match="перекрыва"): + point_dtype([("x", 0, 8, 1), ("y", 4, 7, 1)], 26) + + +# --------------------------------------------------------------------------- решётка + +def _layout(n_rings=8, n_az=40, n_echo=2, shift=None): + el = np.linspace(6.0, -6.0, n_rings) + shift = np.zeros(n_rings, np.int64) if shift is None else shift + return ScanLayout(el, -0.1, 2.0, shift, np.zeros(n_rings), n_az, n_echo) + + +def test_rectification_undoes_channel_skew(): + """Сдвиг строк должен ровно компенсировать азимутальный сдвиг канала.""" + shift = np.array([-2, -1, 0, 1, 2, 0, -1, 1], np.int64) + lay = _layout(shift=shift) + j = np.arange(lay.n_az) + for h in range(lay.n_rings): + expected = np.clip(j + shift[h], 0, lay.n_az - 1) + assert np.array_equal(lay.gather[h], expected) + assert lay.gather_ok[2].all() # нулевой сдвиг — потерь нет + + +def test_azimuth_grid_is_monotonic_and_centred(): + lay = _layout(n_az=41) + d = np.diff(lay.az_grid_deg) + assert np.allclose(d, -0.1) + assert lay.dirs.shape == (lay.n_rings, lay.n_az, 3) + assert np.allclose(np.linalg.norm(lay.dirs, axis=-1), 1.0, atol=1e-5) + + +def test_forward_direction_is_minus_y(): + """Азимут 0 смотрит вперёд, а вперёд в системе сенсора — это −Y.""" + lay = ScanLayout(np.array([0.0]), -0.1, 0.0, np.zeros(1, np.int64), + np.zeros(1), 1, 1) + assert lay.dirs[0, 0, 1] == pytest.approx(-1.0, abs=1e-6) + + +# --------------------------------------------------------------------------- геометрия + +def test_floor_range_matches_flat_plane(): + """Луч вниз под углом θ проходит до полотна H/sin θ — это дальность вдоль + луча, а не горизонтальное расстояние: именно её сравнивают с измеренной.""" + height = 2.0 + plane = RailPlane(a=0.0, b=0.0, c=-height, inliers=0, rms=0.0) + for el in (-1.0, -3.0, -10.0): + lay = ScanLayout(np.array([el]), -0.1, 0.0, np.zeros(1, np.int64), + np.zeros(1), 1, 1) + got = plane.floor_range(lay)[0, 0] + assert got == pytest.approx(height / np.sin(np.radians(-el)), rel=1e-3) + + +def test_upward_rays_never_hit_floor(): + plane = RailPlane(a=0.0, b=0.0, c=-2.0, inliers=0, rms=0.0) + lay = ScanLayout(np.array([5.0]), -0.1, 0.0, np.zeros(1, np.int64), np.zeros(1), 1, 1) + assert not np.isfinite(plane.floor_range(lay)[0, 0]) + + +def test_height_above_plane_accounts_for_tilt(): + plane = RailPlane(a=0.01, b=-0.02, c=-1.5, inliers=0, rms=0.0) + d = np.array([10.0]); u = np.array([2.0]); z = np.array([0.0]) + expected = 0.0 - (0.01 * 10.0 + (-0.02) * 2.0 + (-1.5)) + assert plane.height_of(d, u, z)[0] == pytest.approx(expected) + + +# --------------------------------------------------------------------------- кластеризация + +def test_depth_aware_clustering_splits_on_range_gap(): + """Предмет перед далёкой стеной не должен слипнуться с ней в одно пятно.""" + mask = np.zeros((4, 10), bool) + mask[:, :] = True + r = np.full((4, 10), 150.0, np.float32) + r[:, 3:6] = 55.0 # предмет на 55 м на фоне 150 м + labels, n = cluster_by_depth(mask, r, col_reach=1, row_reach=1) + assert n >= 2 + assert len(set(labels[:, 3:6].ravel())) == 1 + assert labels[0, 0] != labels[0, 4] + + +def test_clustering_tolerance_grows_with_range(): + """Допуск относительный: разрыв 1 м слитен на 150 м и разделим на 5 м.""" + mask = np.ones((1, 6), bool) + far = np.array([[150.0, 150.0, 151.0, 151.0, 150.0, 150.0]], np.float32) + near = np.array([[5.0, 5.0, 6.0, 6.0, 5.0, 5.0]], np.float32) + _, n_far = cluster_by_depth(mask, far, col_reach=1, row_reach=0) + _, n_near = cluster_by_depth(mask, near, col_reach=1, row_reach=0) + assert n_far == 1 + assert n_near >= 2 + + +def test_empty_mask_is_handled(): + labels, n = cluster_by_depth(np.zeros((3, 3), bool), np.zeros((3, 3), np.float32)) + assert n == 0 and labels.sum() == 0 + + +# --------------------------------------------------------------------------- память + +def test_mushroom_body_code_is_sparse_and_deterministic(): + mb = MushroomBody(MushroomBodyConfig(n_kc=2000, sparsity=0.01, seed=1)) + X = np.random.default_rng(0).normal(size=(5, mb.n_pn)).astype(np.float32) + mb.fit_normalizer(X) + a, b = mb.encode(X), mb.encode(X) + assert a.shape == (5, mb.n_active) + assert mb.n_active == 20 + assert np.array_equal(a, b) + assert len(set(a[0].tolist())) == mb.n_active # без повторов + + +def test_learning_suppresses_only_what_was_shown(): + mb = MushroomBody(MushroomBodyConfig(n_kc=4000, sparsity=0.01, seed=2)) + rng = np.random.default_rng(3) + familiar = rng.normal(size=(200, mb.n_pn)).astype(np.float32) + novel = (rng.normal(size=(50, mb.n_pn)) + 8.0).astype(np.float32) + mb.fit_normalizer(familiar) + mb.learn(familiar, rate=0.3) + assert mb.novelty(familiar).mean() < mb.novelty(novel).mean() + + +def test_auto_rate_shrinks_with_sample_size(): + mb = MushroomBody(MushroomBodyConfig(n_kc=10_000, sparsity=0.001)) + assert mb.auto_rate(1_000) > mb.auto_rate(100_000) + assert 0 < mb.auto_rate(10 ** 7) <= 0.5 + + +def test_feature_count_mismatch_is_explicit(): + mb = MushroomBody() + with pytest.raises(ValueError, match="признак"): + mb.encode(np.zeros((1, mb.n_pn + 1), np.float32)) + + +# --------------------------------------------------------- фигура и фон, привыкание + +def _cand(**kw): + from flyguard.lobula import Candidate + + base = dict(d=60.0, u=0.1, h=1.0, d_min=59.7, h_min=0.3, width=0.4, height=1.0, + depth=0.5, containment=0.9, n_rays=30, n_rings=6, n_cols=5, + gap=8.0, on=0.001, floor_deficit=0.2, shadow=0.2, inten=40.0, + az_deg=0.5, el_deg=-1.0, bbox=(10, 16, 20, 25)) + base.update(kw) + return Candidate(**base) + + +def test_contrast_split_keeps_step_and_drops_smooth_wall(): + """Гладкая стена не даёт фигуры, ступенька на ней — даёт.""" + from flyguard.lobula import cluster_by_depth, split_by_figure + + # стена: дальность плавно растёт вдоль строки от 20 до 120 м + r = np.tile(np.linspace(20.0, 120.0, 200, dtype=np.float32), (12, 1)) + mask = np.ones(r.shape, bool) + labels, n = cluster_by_depth(mask, r, col_reach=3) + assert n == 1 # стена связна целиком + + # контраст гладкой стены равен нулю — резать нечего + flat = np.zeros_like(r) + out, n_out = split_by_figure(labels, n, r, flat, max_depth=15.0, thr=6.0) + assert n_out == n and out is labels + + # предмет: ступенька, торчащая из стены на 10 м + gap = np.zeros_like(r) + gap[4:8, 90:98] = 10.0 + out, n_out = split_by_figure(labels, n, r, gap, max_depth=15.0, thr=6.0) + kept = out[out > 0] + assert kept.size == 32 # ровно лучи ступеньки + assert np.unique(kept).size == 1 # и это одна компонента + + +def test_habituation_suppresses_shape_repeating_at_different_places(): + from flyguard.mushroom_body import Habituation, HabituationConfig + + hab = Habituation(HabituationConfig(warmup=0, norm_n=1)) + seen = [] + s = 0.0 + for _ in range(14): + s += 25.0 + c = _cand(d=60.0) + hab.update([c], s, 25.0) + seen.append(c.novelty) + assert seen[0] > 0.9 and seen[-1] < 0.25 + assert hab.places >= 10 + + +def test_habituation_keeps_object_standing_in_one_place_novel(): + """Подъезд к неподвижному предмету — это одно место, а не сто повторов.""" + from flyguard.mushroom_body import Habituation, HabituationConfig + + hab = Habituation(HabituationConfig(warmup=0, norm_n=1)) + s = 0.0 + nov = [] + for k in range(50): + s += 3.0 + nov.append(_cand(d=160.0 - 3.0 * k)) + hab.update([nov[-1]], s, 3.0) + assert hab.places <= 2 # одно место (плюс дрейф оценки) + assert nov[-1].novelty > 0.7 + + +def test_habituation_forgets_after_a_long_run(): + from flyguard.mushroom_body import Habituation, HabituationConfig + + hab = Habituation(HabituationConfig(warmup=0, norm_n=1, recover_m=100.0)) + s = 0.0 + for _ in range(14): + s += 25.0 + hab.update([_cand(d=60.0)], s, 25.0) + low = hab.level + hab.advance(600.0) + assert hab.level < low * 0.2 + + +# --------------------------------------------------------------- считывание MBON + +def test_mbon_readout_learns_and_round_trips(tmp_path): + """Обучается, сохраняется без потерь и даёт калиброванную вероятность.""" + from flyguard.mbon_readout import MbonConfig, MbonReadout + + rng = np.random.default_rng(3) + X = rng.standard_normal((2000, 23)).astype(np.float32) + y = ((X[:, 0] + 0.5 * X[:, 3]) > 0.3).astype(np.float32) + m = MbonReadout(MbonConfig(n_kc=4000, sparsity=0.02), n_pn=23) + m.fit_normalizer(X) + m.learn(X, y, epochs=60, lr=4.0) + + s = m.score(X) + assert s.min() >= 0.0 and s.max() <= 1.0 + assert ((s > 0.5) == (y > 0.5)).mean() > 0.8 # калибровка, не только порядок + + path = tmp_path / "mbon.npz" + m.save(path) + again = MbonReadout.load(path) + assert np.allclose(again.score(X[:64]), s[:64], atol=1e-6) + + +def test_mbon_replaces_hand_formula_and_blend_interpolates(): + """Модель входит в вес улики, а смешивание даёт обе крайности.""" + from flyguard.central_complex import _quality + + c = _cand(gap=0.0, containment=0.3, depth=9.0, h_min=1.4, n_rays=5) + hand = _quality(c) # без модели + c.extra["mbon"] = 0.99 + assert _quality(c, mbon_blend=1.0) > hand * 3 # модель вытягивает + assert _quality(c, mbon_blend=0.0) == hand # ручная формула нетронута + mid = _quality(c, mbon_blend=0.5) + assert hand < mid < _quality(c, mbon_blend=1.0) + + # уверенное «это обстановка» гасит даже хорошую геометрию + good = _cand(gap=12.0, containment=1.0, depth=0.4, h_min=0.3, n_rays=80) + strong = _quality(good) + good.extra["mbon"] = 0.01 + assert _quality(good, mbon_blend=1.0) < strong * 0.2 + + +def test_mbon_absent_leaves_pipeline_unchanged(): + """Без модели вес улики считается ровно как раньше.""" + from flyguard.central_complex import _quality + + c = _cand() + assert "mbon" not in c.extra + assert _quality(c, mbon_blend=1.0) == _quality(c, mbon_blend=0.0) + + +# --------------------------------------------------------------------------- данные + +@pytest.mark.skipif(not DATA.exists(), reason="датасет не распакован") +def test_real_bag_projects_without_angular_error(): + """На реальном бэге выпрямленная решётка обязана описывать лучи точно.""" + from flyguard.bag import Bag + + bag = Bag(next(p for p in DATA.iterdir() if p.is_dir())) + clouds = [pc for _, pc in bag.frames(start=2, stop=8)] + lay = ScanLayout.calibrate(clouds) + img = lay.project(clouds[-1]) + + assert img.shape == (lay.n_rings, lay.n_az) + assert 0.2 < img.valid.mean() < 0.9 + r = img.r_near[img.valid] + assert r.min() > 0 and r.max() < 250 + assert np.all(img.r_far[img.valid] >= img.r_near[img.valid] - 1e-3) diff --git a/tools/_bootstrap.py b/tools/_bootstrap.py new file mode 100644 index 0000000..955563c --- /dev/null +++ b/tools/_bootstrap.py @@ -0,0 +1,27 @@ +"""Общий пролог для инструментов: подключить пакет flyguard и найти данные.""" +from __future__ import annotations + +import os +import sys +from pathlib import Path + +ROOT = Path(__file__).resolve().parents[1] +PKG = ROOT +# Записи лидара в репозиторий не кладутся (десятки гигабайт). По умолчанию +# ищем их рядом: сначала внутри выгрузки, потом на уровень выше — так работает +# и у того, кто держит выгрузку внутри основного проекта, и у того, кто +# распаковал её отдельно. Переопределяется переменной FLYGUARD_DATA. +_env = os.environ.get("FLYGUARD_DATA") +if _env: + DATA = Path(_env) +elif (ROOT / "data" / "for_hackathon").exists(): + DATA = ROOT / "data" +else: + DATA = ROOT.parent / "data" +CACHE = DATA / "cache" +ARTIFACTS = ROOT / "artifacts" +DOCS = ROOT / "docs" +FIGURES = DOCS / "figures" + +if str(PKG) not in sys.path: + sys.path.insert(0, str(PKG)) diff --git a/tools/ablation.py b/tools/ablation.py new file mode 100644 index 0000000..631274c --- /dev/null +++ b/tools/ablation.py @@ -0,0 +1,108 @@ +"""Абляция: вклад каждого механизма, измеренный в одинаковых условиях. + +Каждый вариант отличается от полного ровно одним отключённым механизмом. +Память тоннеля во всех вариантах обучается **без проверяемого бэга** +(leave-one-bag-out), иначе сравнение было бы нечестным. + +Меряются две величины, которые и определяют полезность системы: +доля кадров с ложной тревогой на пустых проездах и доля кадров, в которых +найден реальный объект на ~55 м в `doubleT_obstacle`. + + python tools/ablation.py --device cuda +""" +from __future__ import annotations + +import argparse +import json +import time + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.pipeline import FlyGuard, Params +from evaluate import OBSTACLE_BAG, TRUE_D, train_excluding + +VARIANTS: dict[str, dict] = { + "полная система": {}, + "− память тоннеля": {"enable_memory": False}, + "− ось пути (прямой коридор)": {"use_corridor": False}, + "− признаки формы": {"use_shape": False}, + "− накопление улик": {"use_tracking": False}, +} + + +def run(bag_path, params: Params, memory, limit: int) -> tuple[int, int, int, int]: + fg = FlyGuard(params, memory=memory) + n = alarm = obj = 0 + fp_tracks: set[int] = set() + is_obs = Bag(bag_path).path.name == OBSTACLE_BAG + for _, pc in Bag(bag_path).frames(stop=limit): + res = fg.process(pc) + if res is None: + continue + n += 1 + mine = [o for o in res.decision.objects + if is_obs and TRUE_D[0] < o.distance < TRUE_D[1]] + others = [o for o in res.decision.objects if o not in mine] + if mine: + obj += 1 + if others: + alarm += 1 + fp_tracks.update(o.track_id for o in others) + return n, alarm, obj, len(fp_tracks) + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--cache", default=str(B.CACHE / "tune_candidates.npz")) + ap.add_argument("--extra-cache", default=str(B.CACHE / "new_data_candidates.npz")) + ap.add_argument("--limit", type=int, default=200) + ap.add_argument("--device", default="cpu") + ap.add_argument("--out", default=str(B.ARTIFACTS / "ablation.json")) + args = ap.parse_args() + + d = np.load(args.cache, allow_pickle=True) + per_bag = {str(k): d[f"X_{k}"].astype(np.float32) for k in d["names"]} + from pathlib import Path + extra = (np.load(args.extra_cache)["X"].astype(np.float32) + if Path(args.extra_cache).exists() else None) + + bags = find_bags(args.root) + memories = {p.name: train_excluding(per_bag, extra, p.name, 0.4, args.device) + for p in bags} + + print(f"{'вариант':30s} | {'ложных кадров':>14s} {'ложн. треков':>13s} | " + f"{'объект 55 м':>12s}") + print("-" * 78) + rows = [] + for label, over in VARIANTS.items(): + t0 = time.time() + params = Params(**over) + tot_n = tot_alarm = tot_fp = 0 + obj_n = obj_hit = 0 + for p in bags: + mem = memories[p.name] if params.enable_memory else None + n, alarm, obj, fp = run(p, params, mem, args.limit) + if p.name == OBSTACLE_BAG: + obj_n, obj_hit = n, obj + else: + tot_n += n + tot_alarm += alarm + tot_fp += fp + row = dict(variant=label, alarm_rate=tot_alarm / max(tot_n, 1), + fp_tracks=tot_fp, obj_rate=obj_hit / max(obj_n, 1), + seconds=round(time.time() - t0, 1)) + rows.append(row) + print(f"{label:30s} | {row['alarm_rate']:13.1%} {tot_fp:13d} | " + f"{row['obj_rate']:11.1%}", flush=True) + + B.ARTIFACTS.mkdir(parents=True, exist_ok=True) + with open(args.out, "w", encoding="utf-8") as f: + json.dump(rows, f, ensure_ascii=False, indent=1) + print("\nсохранено:", args.out) + + +if __name__ == "__main__": + main() diff --git a/tools/analyze_corridor.py b/tools/analyze_corridor.py new file mode 100644 index 0000000..351c43f --- /dev/null +++ b/tools/analyze_corridor.py @@ -0,0 +1,91 @@ +"""Проверка стабилизации и осевой линии пути на всех бэгах. + +Печатает устойчивость плоскости рельсов, оценку радиуса кривой и реальную +дальность прямой видимости; рисует профили осевой линии. + + python tools/analyze_corridor.py --frames 60 +""" +from __future__ import annotations + +import argparse + +import matplotlib +matplotlib.use("Agg") +import matplotlib.pyplot as plt # noqa: E402 +import numpy as np # noqa: E402 + +import _bootstrap as B # noqa: F401,E402 +from flyguard.bag import Bag, find_bags # noqa: E402 +from flyguard.geometry import TrackFrame, fit_corridor, fit_rail_plane # noqa: E402 +from flyguard.retina import ScanLayout # noqa: E402 + + +def run(bag_path, n_frames: int, stride: int, fov: float, ax): + bag = Bag(bag_path) + layout = ScanLayout.calibrate([pc for _, pc in bag.frames(start=2, stop=14)]) + cols = layout.column_slice(fov) + lay = layout.sub(cols) + + plane = corridor = None + heights, pitches, rolls, rmss, radii, reach = [], [], [], [], [], [] + curves = [] + for k, (_, pc) in enumerate(bag.frames(stop=n_frames * stride, stride=stride)): + img = layout.project(pc).crop(cols) + plane = fit_rail_plane(img, lay, prev=plane) + tf = TrackFrame(img, lay, plane) + corridor = fit_corridor(tf, prev=corridor) + + heights.append(plane.height); pitches.append(plane.pitch_deg) + rolls.append(plane.roll_deg); rmss.append(plane.rms) + radii.append(corridor.radius) + # дальность прямой видимости: дальше какой дистанции возвраты иссякают + d = tf.d[tf.valid] + reach.append(np.percentile(d, 99.9) if d.size else 0.0) + if k % max(1, n_frames // 6) == 0: + dd = np.linspace(0, 200, 100) + curves.append(corridor.centre(dd)) + + name = bag.path.name + print(f"=== {name} ({len(heights)} кадров)") + print(f" высота сенсора: {np.mean(heights):.3f} ± {np.std(heights):.3f} м") + print(f" тангаж {np.mean(pitches):+.3f}° ± {np.std(pitches):.3f}° " + f"крен {np.mean(rolls):+.3f}° ± {np.std(rolls):.3f}° " + f"rms {np.mean(rmss):.3f} м") + r = np.array(radii) + fin = np.isfinite(r) + print(f" радиус кривой: медиана {np.median(r[fin]) if fin.any() else float('inf'):.0f} м, " + f"прямых кадров {np.mean(~fin):.0%}") + print(f" дальность прямой видимости p99.9: медиана {np.median(reach):.0f} м, " + f"макс {np.max(reach):.0f} м") + + dd = np.linspace(0, 200, 100) + for c in curves: + ax.plot(dd, c, lw=1, alpha=0.7) + ax.axhline(1.7, color="r", ls="--", lw=0.8) + ax.axhline(-1.7, color="r", ls="--", lw=0.8) + ax.set_title(f"{name}\nR≈{np.median(r[fin]) if fin.any() else float('inf'):.0f} м, " + f"видимость {np.median(reach):.0f} м", fontsize=9) + ax.set_xlabel("вперёд, м"); ax.set_ylabel("ось пути, м") + ax.set_ylim(-12, 12) + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--frames", type=int, default=60) + ap.add_argument("--stride", type=int, default=4) + ap.add_argument("--fov", type=float, default=35.0) + args = ap.parse_args() + + bags = find_bags(args.root) + fig, axes = plt.subplots(1, len(bags), figsize=(3.6 * len(bags), 3.6), dpi=110, squeeze=False) + for ax, b in zip(axes[0], bags): + run(b, args.frames, args.stride, args.fov, ax) + B.FIGURES.mkdir(parents=True, exist_ok=True) + out = B.FIGURES / "corridor.png" + fig.tight_layout(); fig.savefig(out) + print("сохранено:", out) + + +if __name__ == "__main__": + main() diff --git a/tools/analyze_gauge.py b/tools/analyze_gauge.py new file mode 100644 index 0000000..c9284bf --- /dev/null +++ b/tools/analyze_gauge.py @@ -0,0 +1,111 @@ +"""Что попадает внутрь габарита в нормальном тоннеле. + +Накапливает по многим кадрам занятость плоскости (поперёк, высота) в разных +поясах дальности и устойчивость плоскости пути. Нужно, чтобы выбрать границы +габарита и пороги, а не угадывать их. + + python tools/analyze_gauge.py --bag data/for_hackathon/roundT_doubleT --frames 60 +""" +from __future__ import annotations + +import argparse + +import matplotlib +matplotlib.use("Agg") +import matplotlib.pyplot as plt # noqa: E402 +import numpy as np # noqa: E402 + +import _bootstrap as B # noqa: F401,E402 +from flyguard.bag import Bag # noqa: E402 +from flyguard.geometry import RailPlane, TrackFrame, fit_rail_plane # noqa: E402 +from flyguard.retina import ScanLayout # noqa: E402 + +BANDS = [(5, 20), (20, 50), (50, 90), (90, 150), (150, 250)] +U_EDGES = np.arange(-4.0, 4.01, 0.05) +H_EDGES = np.arange(-1.0, 4.01, 0.05) + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--bag", required=True) + ap.add_argument("--frames", type=int, default=60) + ap.add_argument("--stride", type=int, default=3) + ap.add_argument("--fov", type=float, default=25.0) + args = ap.parse_args() + + bag = Bag(args.bag) + layout = ScanLayout.calibrate([pc for _, pc in bag.frames(start=2, stop=14)]) + cols = layout.column_slice(args.fov) + lay = layout.sub(cols) + + hist = [np.zeros((U_EDGES.size - 1, H_EDGES.size - 1), np.int64) for _ in BANDS] + planes: list[RailPlane] = [] + deficits: list[np.ndarray] = [] + prev = None + + for _, pc in bag.frames(stop=args.frames * args.stride, stride=args.stride): + img = layout.project(pc).crop(cols) + plane = fit_rail_plane(img, lay, prev=prev) + prev = plane + planes.append(plane) + tf = TrackFrame(img, lay, plane) + + for k, (lo, hi) in enumerate(BANDS): + m = tf.valid & (tf.d >= lo) & (tf.d < hi) + if m.any(): + hh, _, _ = np.histogram2d(tf.u[m], tf.h[m], bins=(U_EDGES, H_EDGES)) + hist[k] += hh.astype(np.int64) + + # дефицит до пола: луч должен был дойти до полотна внутри коридора + fr = tf.floor_r + uf = fr * lay.dirs[..., 0] + hit_in = np.isfinite(fr) & (np.abs(uf) < 1.7) & (fr > 10) & (fr < 200) + m = hit_in & tf.valid + if m.any(): + deficits.append((fr[m] - tf.r[m]).astype(np.float32)) + + a = np.array([p.a for p in planes]); b = np.array([p.b for p in planes]) + hgt = np.array([p.height for p in planes]); rms = np.array([p.rms for p in planes]) + print(f"=== {bag.path.name}: {len(planes)} кадров") + print(f" высота сенсора над путём: {hgt.mean():.3f} ± {hgt.std():.3f} м " + f"(разброс {hgt.min():.3f}…{hgt.max():.3f})") + print(f" тангаж: {np.degrees(np.arctan(a)).mean():+.3f}° ± {np.degrees(np.arctan(a)).std():.3f}°") + print(f" крен: {np.degrees(np.arctan(b)).mean():+.3f}° ± {np.degrees(np.arctan(b)).std():.3f}°") + print(f" невязка плоскости rms: {rms.mean():.3f} м, инлайеров {np.mean([p.inliers for p in planes]):.0f}") + + if deficits: + dd = np.concatenate(deficits) + print(f" дефицит до пола внутри коридора, м: " + + " ".join(f"p{q}={np.percentile(dd, q):+.2f}" for q in (1, 50, 90, 99, 99.9)) + + f" доля > 1 м: {np.mean(dd > 1.0):.3%}") + + fig, axes = plt.subplots(2, len(BANDS), figsize=(4 * len(BANDS), 8), dpi=110) + fig.suptitle(f"{bag.path.name}: занятость (поперёк, высота) по поясам дальности; " + f"красное — габарит 3.4 × 2.2 м", fontsize=12) + for k, (lo, hi) in enumerate(BANDS): + hh = hist[k].T + tot = hh.sum() + for row, norm in enumerate(("log", "col")): + ax = axes[row, k] + if tot == 0: + ax.set_title(f"{lo}–{hi} м: пусто"); continue + show = np.log10(1 + hh) if norm == "log" else hh / np.maximum(hh.sum(0, keepdims=True), 1) + ax.imshow(show, origin="lower", aspect="auto", cmap="inferno", + extent=[U_EDGES[0], U_EDGES[-1], H_EDGES[0], H_EDGES[-1]]) + ax.add_patch(plt.Rectangle((-1.7, 0.05), 3.4, 2.15, fill=False, ec="r", lw=1.2)) + ax.axhline(0, color="c", lw=0.6) + ax.set_title(f"{lo}–{hi} м, n={tot/1e3:.0f}k" + ("" if row == 0 else " (норм. по столбцу)"), + fontsize=9) + ax.set_xlabel("поперёк, м") + if k == 0: + ax.set_ylabel("высота над рельсом, м") + + B.FIGURES.mkdir(parents=True, exist_ok=True) + out = B.FIGURES / f"gauge_{bag.path.name}.png" + fig.tight_layout(rect=(0, 0, 1, 0.95)) + fig.savefig(out) + print(" сохранено:", out) + + +if __name__ == "__main__": + main() diff --git a/tools/analyze_geometry.py b/tools/analyze_geometry.py new file mode 100644 index 0000000..dfa1737 --- /dev/null +++ b/tools/analyze_geometry.py @@ -0,0 +1,81 @@ +"""Characterise the Pandar128 scan geometry inside the metro tunnel bags.""" +from __future__ import annotations + +import sys + +import numpy as np + +sys.path.insert(0, r"C:\Games\Study\AI_Lidar\tools") +from probe_bag import frames # noqa: E402 + +W, H = 7200, 128 + + +def as_image(p): + """Return (H,W) arrays: ordering is col-major with ring cycling fastest.""" + x = p["x"].reshape(W, H).T.astype(np.float32) + y = p["y"].reshape(W, H).T.astype(np.float32) + z = p["z"].reshape(W, H).T.astype(np.float32) + i = p["intensity"].reshape(W, H).T.astype(np.float32) + return x, y, z, i + + +def main(db, idx=100): + for ts, m in frames(db, limit=1, start=idx): + x, y, z, inten = as_image(m["points"]) + valid = ~((x == 0) & (y == 0) & (z == 0)) + r = np.sqrt(x * x + y * y + z * z) + + # azimuth measured in the sensor XY plane; forward is -Y + az = np.degrees(np.arctan2(x, -y)) # 0 = forward, + = right + el = np.degrees(np.arcsin(np.clip(z / np.maximum(r, 1e-6), -1, 1))) + + print(f"valid {valid.sum()}/{valid.size} = {valid.mean():.1%}") + + print("\n--- azimuth per column (median over valid rings) ---") + azc = np.where(valid, az, np.nan) + with np.errstate(all="ignore"): + colaz = np.nanmedian(azc, axis=0) + good = np.isfinite(colaz) + print("columns with any return:", good.sum()) + cols = np.arange(W) + for c in [0, 1, 2, 1800, 3599, 3600, 3601, 5400, 7198, 7199]: + print(f" col {c:5d}: az={colaz[c]:8.3f}") + d = np.diff(colaz[good]) + d = d[np.abs(d) < 1.0] + print(f" median azimuth step: {np.median(d):.4f} deg") + + print("\n--- elevation per ring (median over valid columns) ---") + elr = np.where(valid, el, np.nan) + with np.errstate(all="ignore"): + ringel = np.nanmedian(elr, axis=1) + print(" ring0..9 :", np.round(ringel[:10], 2)) + print(" ring60..69:", np.round(ringel[60:70], 2)) + print(" ring118..127:", np.round(ringel[118:], 2)) + print(f" elevation span: {np.nanmin(ringel):.2f} .. {np.nanmax(ringel):.2f}") + + print("\n--- valid-return fraction by azimuth sector ---") + for lo, hi in [(-180, -90), (-90, -30), (-30, -10), (-10, 10), (10, 30), (30, 90), (90, 180)]: + sel = (colaz >= lo) & (colaz < hi) + if sel.sum() == 0: + print(f" [{lo:4d},{hi:4d}) : no columns") + continue + v = valid[:, sel] + print(f" [{lo:4d},{hi:4d}) : {sel.sum():5d} cols, valid {v.mean():.1%}") + + print("\n--- forward cone (|az|<3 deg) range distribution ---") + fwd = np.abs(colaz) < 3.0 + rf = r[:, fwd][valid[:, fwd]] + print(f" columns {fwd.sum()}, valid pts {rf.size}") + print(" pct:", np.round(np.percentile(rf, [50, 90, 99, 99.9, 100]), 2)) + + print("\n--- points beyond 100 m, in train gauge (|x|<1.6, -1 100) + gauge = far & (np.abs(x) < 1.6) & (z > -1.0) & (z < 1.4) + print(f" far {far.sum()}, of them in gauge {gauge.sum()}") + if gauge.sum(): + print(" max distance in gauge:", np.round(r[gauge].max(), 1)) + + +if __name__ == "__main__": + main(sys.argv[1], int(sys.argv[2]) if len(sys.argv) > 2 else 100) diff --git a/tools/check_obstacle.py b/tools/check_obstacle.py new file mode 100644 index 0000000..052c678 --- /dev/null +++ b/tools/check_obstacle.py @@ -0,0 +1,65 @@ +"""Опорный тест: реальный объект на ~55 м в бэге `doubleT_obstacle`. + +Печатает, в скольких кадрах он попал в кандидаты и в подтверждённые треки, +и сколько при этом было посторонних тревог. + + python tools/check_obstacle.py [--memory artifacts/mushroom_body.npz] +""" +from __future__ import annotations + +import argparse + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag +from flyguard.mushroom_body import MushroomBody +from flyguard.pipeline import FlyGuard, Params + +TRUE_D = (50.0, 62.0) # объект стоит на 54.7…56.9 м всю запись + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--bag", default=str(B.DATA / "for_hackathon" / "doubleT_obstacle")) + ap.add_argument("--memory") + ap.add_argument("--limit", type=int, default=200) + ap.add_argument("--verbose", action="store_true") + args = ap.parse_args() + + memory = MushroomBody.load(args.memory) if args.memory else None + fg = FlyGuard(Params(), memory=memory) + bag = Bag(args.bag) + + n = cand_hit = track_hit = other = 0 + novelties, evid = [], [] + for k, (_, pc) in enumerate(bag.frames(stop=args.limit)): + res = fg.process(pc) + if res is None: + continue + n += 1 + cs = [c for c in res.candidates if TRUE_D[0] < c.d < TRUE_D[1]] + if cs: + cand_hit += 1 + novelties.append(max(c.novelty for c in cs)) + objs = res.decision.objects + mine = [o for o in objs if TRUE_D[0] < o.distance < TRUE_D[1]] + if mine: + track_hit += 1 + evid.append(max(o.confidence for o in mine)) + other += len(objs) - len(mine) + if args.verbose and k % 20 == 0: + print(f" кадр {k:4d}: канд. в зоне {len(cs)}, " + f"треков всего {len(objs)}, в зоне {len(mine)}, " + f"ближайший {res.decision.distance:.1f} м") + + print(f"кадров обработано: {n}") + print(f"объект среди кандидатов: {cand_hit}/{n} = {cand_hit/max(n,1):.1%}" + + (f" новизна медиана {np.median(novelties):.3f}" if novelties else "")) + print(f"объект подтверждён треком: {track_hit}/{n} = {track_hit/max(n,1):.1%}" + + (f" уверенность медиана {np.median(evid):.3f}" if evid else "")) + print(f"посторонних подтверждённых объектов: {other} ({other/max(n,1):.2f} на кадр)") + + +if __name__ == "__main__": + main() diff --git a/tools/diagnose_fp.py b/tools/diagnose_fp.py new file mode 100644 index 0000000..a76f233 --- /dev/null +++ b/tools/diagnose_fp.py @@ -0,0 +1,108 @@ +"""Разбор ложных тревог на одном бэге: кто именно сработал и почему. + +Память обучается **без** проверяемого бэга (как в evaluate.py), затем конвейер +гоняется по нему и каждая подтверждённая цель записывается вместе с признаками +породившего её кандидата. На выходе — сводка по трекам: где стоял, сколько +кадров жил, какие у него размеры, новизна и наполненность габарита. + + python tools/diagnose_fp.py --bag roundT_doubleT --device cuda +""" +from __future__ import annotations + +import argparse +from collections import defaultdict + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.pipeline import FlyGuard, Params +from evaluate import OBSTACLE_BAG, TRUE_D, train_excluding + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--cache", default=str(B.CACHE / "tune_candidates.npz")) + ap.add_argument("--extra-cache", default=str(B.CACHE / "new_data_candidates.npz")) + ap.add_argument("--bag", default="roundT_doubleT") + ap.add_argument("--limit", type=int, default=250) + ap.add_argument("--device", default="cpu") + args = ap.parse_args() + + from pathlib import Path + d = np.load(args.cache, allow_pickle=True) + per_bag = {str(k): d[f"X_{k}"].astype(np.float32) for k in d["names"]} + extra = (np.load(args.extra_cache)["X"].astype(np.float32) + if Path(args.extra_cache).exists() else None) + + bag_path = next(p for p in find_bags(args.root) if p.name == args.bag) + memory = train_excluding(per_bag, extra, args.bag, 0.4, args.device) + + fg = FlyGuard(Params(), memory=memory) + bag = Bag(bag_path) + is_obs = args.bag == OBSTACLE_BAG + + per_track = defaultdict(list) + s_world = 0.0 + n = 0 + for k, (_, pc) in enumerate(bag.frames(stop=args.limit)): + res = fg.process(pc) + if res is None: + continue + n += 1 + s_world += res.ego.ds if res.ego else 0.0 + for o in res.decision.objects: + if is_obs and TRUE_D[0] < o.distance < TRUE_D[1]: + continue + # найти кандидата, породивший эту цель — ближайший по дальности + best, err = None, 1e9 + for c in res.candidates: + e = abs(c.d - o.distance) + if e < err: + best, err = c, e + per_track[o.track_id].append(dict( + frame=k, s=s_world, d=o.distance, u=o.lateral, h=o.height, + w=o.width, sv=o.size_v, conf=o.confidence, nov=o.novelty, + rays=o.n_rays, + cd=best.d if best else np.nan, + cu=best.u if best else np.nan, + ch=best.h if best else np.nan, + chmin=best.h_min if best else np.nan, + cdepth=best.depth if best else np.nan, + ccont=best.containment if best else np.nan, + cgap=best.gap if best else np.nan, + caz=best.az_deg if best else np.nan, + cel=best.el_deg if best else np.nan, + cnov=best.novelty if best else np.nan, + cinten=best.inten if best else np.nan, + crings=best.n_rings if best else np.nan, + ccols=best.n_cols if best else np.nan, + cfloor=best.floor_deficit if best else np.nan, + cshadow=best.shadow if best else np.nan, + )) + + print(f"бэг {args.bag}: {n} кадров, путь {s_world:.0f} м, " + f"ложных треков {len(per_track)}\n") + hdr = (f"{'трек':>5s} {'кадров':>6s} {'кадры':>9s} {'d,м':>10s} {'u,м':>7s} " + f"{'h,м':>6s} {'hmin':>6s} {'shxsv':>11s} {'глуб':>5s} {'напол':>6s} " + f"{'зазор':>6s} {'лучей':>6s} {'кольц':>5s} {'стлб':>5s} " + f"{'нов':>5s} {'инт':>5s} {'az°':>7s} {'el°':>6s} {'пол.деф':>7s}") + print(hdr) + print("-" * len(hdr)) + rows = sorted(per_track.items(), key=lambda kv: -len(kv[1])) + for tid, recs in rows: + a = {k: np.array([r[k] for r in recs], float) for k in recs[0]} + med = lambda k: float(np.nanmedian(a[k])) + print(f"{tid:5d} {len(recs):6d} {int(a['frame'][0]):4d}-{int(a['frame'][-1]):<4d} " + f"{med('d'):5.1f}→{a['d'][-1]:4.1f} {med('u'):7.2f} " + f"{med('h'):6.2f} {med('chmin'):6.2f} " + f"{med('w'):5.2f}x{med('sv'):<5.2f} {med('cdepth'):5.2f} " + f"{med('ccont'):6.2f} {med('cgap'):6.2f} {med('rays'):6.0f} " + f"{med('crings'):5.0f} {med('ccols'):5.0f} " + f"{med('nov'):5.2f} {med('cinten'):5.0f} " + f"{med('caz'):7.2f} {med('cel'):6.2f} {med('cfloor'):7.2f}") + + +if __name__ == "__main__": + main() diff --git a/tools/evaluate.py b/tools/evaluate.py new file mode 100644 index 0000000..b9f028d --- /dev/null +++ b/tools/evaluate.py @@ -0,0 +1,183 @@ +"""Оценка обобщаемости: leave-one-bag-out. + +Память тоннеля обучается на всех данных, **кроме** проверяемого бэга, и только +после этого конвейер прогоняется по нему. Иначе цифры лгут: подавлять +конструкции, которые сам же и запомнил, умеет кто угодно, а на приватном тесте +будет новый участок тоннеля. + +Отчёт: ложные тревоги на километр пути и доля кадров с тревогой для пустых +бэгов; для `doubleT_obstacle` — ещё и доля кадров, в которых найден настоящий +объект на ~55 м. + + python tools/evaluate.py --device cuda --out artifacts/generalisation.json +""" +from __future__ import annotations + +import argparse +import json +import time + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.mushroom_body import MushroomBody, MushroomBodyConfig +from flyguard.pipeline import FlyGuard, Params + +OBSTACLE_BAG = "doubleT_obstacle" +TRUE_D = (50.0, 62.0) + + +def train_excluding(per_bag: dict[str, np.ndarray], extra: np.ndarray | None, + exclude: str, target: float, device: str) -> MushroomBody: + parts = [v for k, v in per_bag.items() if k not in (exclude, OBSTACLE_BAG)] + if extra is not None: + parts.append(extra) + X = np.concatenate(parts).astype(np.float32) + mb = MushroomBody(MushroomBodyConfig()) + mb.fit_normalizer(X) + mb.learn(X, rate=mb.auto_rate(X.shape[0], target), device=device) + return mb + + +def run_bag(bag_path, memory, limit: int, params: Params | None = None, + readout=None) -> dict: + fg = FlyGuard(params or Params(), memory=memory, readout=readout) + bag = Bag(bag_path) + n = alarms = obj_hits = fp_objects = 0 + path_m = 0.0 + fp_dists, times = [], [] + # один и тот же лоток, попавший в треки, виден сотню кадров подряд; для + # эксплуатации важно не это, а сколько РАЗНЫХ ложных объектов возникло — + # именно столько раз поезд затормозил бы напрасно + fp_tracks: set[int] = set() + for _, pc in bag.frames(stop=limit): + res = fg.process(pc) + if res is None: + continue + n += 1 + path_m += res.ego.ds if res.ego else 0.0 + times.append(res.total_ms) + d = res.decision + is_obstacle_bag = bag.path.name == OBSTACLE_BAG + mine = [o for o in d.objects if TRUE_D[0] < o.distance < TRUE_D[1]] \ + if is_obstacle_bag else [] + others = [o for o in d.objects if o not in mine] + if mine: + obj_hits += 1 + if others: + alarms += 1 + fp_objects += len(others) + fp_tracks.update(o.track_id for o in others) + fp_dists.extend(o.distance for o in others) + km = max(path_m / 1000.0, 1e-6) + return dict(bag=bag.path.name, frames=n, path_m=path_m, + alarm_frames=alarms, alarm_rate=alarms / max(n, 1), + fp_objects=fp_objects, fp_tracks=len(fp_tracks), + fp_per_km=(len(fp_tracks) / km) if path_m > 5 else float("nan"), + fp_median_d=float(np.median(fp_dists)) if fp_dists else float("nan"), + obj_rate=obj_hits / max(n, 1) if bag.path.name == OBSTACLE_BAG else None, + ms_p50=float(np.median(times)) if times else 0.0, + ms_p95=float(np.percentile(times, 95)) if times else 0.0) + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--cache", default=str(B.CACHE / "tune_candidates.npz")) + ap.add_argument("--extra-cache", default=str(B.CACHE / "new_data_candidates.npz")) + ap.add_argument("--limit", type=int, default=250) + ap.add_argument("--target", type=float, default=0.4) + ap.add_argument("--device", default="cpu") + ap.add_argument("--split-adv", type=float, default=None, + help="порог разделения фигуры и фона; 0 — выключить") + ap.add_argument("--split-gap", type=float, default=None, + help="порог разреза по контрасту ламины, м; 0 — выключить") + ap.add_argument("--split-near", type=float, default=None, + help="ближе этой дальности не резать, м") + ap.add_argument("--split-top", type=int, default=None, + help="сколько фигур выносить из одной компоненты; 0 — все") + ap.add_argument("--no-acc", action="store_true", help="выключить накопитель") + ap.add_argument("--no-hab", action="store_true", help="выключить привыкание") + ap.add_argument("--mbon", default="", help="путь к обученному считыванию MBON") + ap.add_argument("--mbon-dir", default="", + help="каталог с моделями по складкам (mbon_<бэг>.npz): " + "для каждого бэга берётся модель, его не видевшая") + ap.add_argument("--mbon-blend", type=float, default=None, + help="1 — только модель, 0 — только ручная формула") + ap.add_argument("--mbon-power", type=float, default=None, + help="резкость вероятности модели") + ap.add_argument("--out", default=str(B.ARTIFACTS / "generalisation.json")) + args = ap.parse_args() + + d = np.load(args.cache, allow_pickle=True) + per_bag = {str(k): d[f"X_{k}"].astype(np.float32) for k in d["names"]} + extra = None + from pathlib import Path + if Path(args.extra_cache).exists(): + extra = np.load(args.extra_cache)["X"].astype(np.float32) + print(f"дополнительно в обучение: {extra.shape[0]} кандидатов из new_data") + + over = {} + if args.split_adv is not None: + over["split_adv"] = args.split_adv + if args.split_gap is not None: + over["split_gap"] = args.split_gap + if args.split_near is not None: + over["split_near"] = args.split_near + if args.split_top is not None: + over["split_top"] = args.split_top + if args.no_acc: + over["enable_accumulator"] = False + if args.no_hab: + over["enable_habituation"] = False + if args.mbon_blend is not None: + over["mbon_blend"] = args.mbon_blend + if args.mbon_power is not None: + over["mbon_power"] = args.mbon_power + params = Params(**over) + readout = None + folds = {} + if args.mbon_dir: + from pathlib import Path as _P + from flyguard.mbon_readout import MbonReadout + for f in _P(args.mbon_dir).glob("mbon_*.npz"): + folds[f.stem[len("mbon_"):]] = MbonReadout.load(f) + print(f"считывание MBON по складкам: {args.mbon_dir} " + f"({len(folds)} моделей)") + elif args.mbon: + from flyguard.mbon_readout import MbonReadout + readout = MbonReadout.load(args.mbon) + print(f"считывание MBON: {args.mbon}") + rows = [] + for p in find_bags(args.root): + t0 = time.time() + mem = train_excluding(per_bag, extra, p.name, args.target, args.device) + rd = folds.get(p.name, readout) if folds else readout + if folds and p.name not in folds and p.name != OBSTACLE_BAG: + print(f" внимание: для {p.name} нет своей складки") + r = run_bag(p, mem, args.limit, params, readout=rd) + r["train_size"] = int(mem.n_seen) + rows.append(r) + obj = f"объект {r['obj_rate']:6.1%} | " if r["obj_rate"] is not None else "" + print(f"{r['bag']:40s} кадров {r['frames']:4d} путь {r['path_m']:6.0f} м | " + f"{obj}тревог {r['alarm_rate']:6.1%} | ложных треков {r['fp_tracks']:3d} " + f"({r['fp_per_km']:6.1f} на км) | {r['ms_p50']:5.1f}/{r['ms_p95']:5.1f} мс | " + f"{time.time()-t0:5.0f} с", flush=True) + + B.ARTIFACTS.mkdir(parents=True, exist_ok=True) + with open(args.out, "w", encoding="utf-8") as f: + json.dump(rows, f, ensure_ascii=False, indent=1) + empty = [r for r in rows if r["bag"] != OBSTACLE_BAG] + print("\nсводка по пустым бэгам:") + print(f" доля кадров с ложной тревогой: {np.mean([r['alarm_rate'] for r in empty]):.2%}") + fp_km = [r["fp_per_km"] for r in empty if np.isfinite(r["fp_per_km"])] + if fp_km: + print(f" разных ложных треков на километр: {np.mean(fp_km):.1f} " + f"(медиана {np.median(fp_km):.1f})") + print(f" суммарный путь: {sum(r['path_m'] for r in empty):.0f} м") + print("сохранено:", args.out) + + +if __name__ == "__main__": + main() diff --git a/tools/extract_channel_table.py b/tools/extract_channel_table.py new file mode 100644 index 0000000..2177a74 --- /dev/null +++ b/tools/extract_channel_table.py @@ -0,0 +1,118 @@ +"""Извлечение таблицы каналов Pandar128E3X из руководства (Приложение A). + +Даёт для каждого из 128 каналов: проектный азимутальный сдвиг и угол места, +диапазон измерения, признак ближнего поля, максимальную дальность при 10 % +отражения, признак «дальнобойного» канала и минимальную различимую +отражательную способность. + +Зачем: поканальная дальность делает модель сенсора в синтетическом полигоне +честной (каналы 34–65 видят 200 м, а 98–128 — только ближнее поле), а +проектные углы служат независимой проверкой калибровки решётки по данным. + + python tools/extract_channel_table.py --pdf <путь> --out ros2_ws/src/flyguard/flyguard/data/pandar128_channels.csv +""" +from __future__ import annotations + +import argparse +import csv +import re +from pathlib import Path + +ANGLE = re.compile(r"^-?\d+\.\d+°$") +METERS = re.compile(r"^\(?(\d+(?:\.\d+)?)\s*m\)?$") + +# в таблице встречаются типографские варианты: минус, полноширинные скобки +_NORMALISE = str.maketrans({"–": "-", "—": "-", "−": "-", "（": "(", "）": ")", " ": " "}) + + +def _clean(s: str) -> str: + return s.translate(_NORMALISE).strip() + + +def parse(pdf_path: str) -> list[dict]: + import fitz + + doc = fitz.open(pdf_path) + tokens: list[str] = [] + for page in doc: + text = page.get_text() + if "Appendix A: Channel distribution data" not in text: + continue + if "Chann" not in text and not re.search(r"^\d+\s*$", text, re.M): + continue + tokens.extend(_clean(line) for line in text.splitlines() if line.strip()) + + # строки собираются в словарь по номеру канала, а не последовательно: + # один сбой синхронизации на границе страницы иначе обрывает весь разбор + found: dict[int, dict] = {} + i = 0 + while i < len(tokens) - 9: + # строка начинается с номера канала, за которым идут два угла + if (tokens[i].isdigit() and ANGLE.match(tokens[i + 1] or "") + and ANGLE.match(tokens[i + 2] or "")): + ch = int(tokens[i]) + if not 1 <= ch <= 128 or ch in found: + i += 1 + continue + chunk = tokens[i:i + 10] + m_min = METERS.match(chunk[3]) + m_max = METERS.match(chunk[4]) + near = chunk[5].upper() == "YES" + m_10 = METERS.match(chunk[6]) + far = chunk[7].upper() == "YES" + refl = chunk[8] + highres = chunk[9].upper() == "YES" + if not (m_min and m_max and m_10): + i += 1 + continue + found[ch] = dict( + channel=ch, + az_offset_deg=float(chunk[1].rstrip("°")), + elevation_deg=float(chunk[2].rstrip("°")), + range_min_m=float(m_min.group(1)), + range_max_m=float(m_max.group(1)), + near_field=int(near), + max_range_10pct_m=float(m_10.group(1)), + far_field=int(far), + min_reflectivity=refl, + high_res=int(highres), + ) + i += 10 + else: + i += 1 + return [found[k] for k in sorted(found)] + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--pdf", required=True) + ap.add_argument("--out", required=True) + args = ap.parse_args() + + rows = parse(args.pdf) + if len(rows) != 128: + print(f"ВНИМАНИЕ: разобрано {len(rows)} каналов вместо 128") + out = Path(args.out) + out.parent.mkdir(parents=True, exist_ok=True) + with open(out, "w", newline="", encoding="utf-8") as f: + w = csv.DictWriter(f, fieldnames=list(rows[0])) + w.writeheader() + w.writerows(rows) + + import numpy as np + az = np.array([r["az_offset_deg"] for r in rows]) + el = np.array([r["elevation_deg"] for r in rows]) + r10 = np.array([r["max_range_10pct_m"] for r in rows]) + print(f"разобрано каналов: {len(rows)} → {out}") + print(f" азимутальный сдвиг: {az.min():+.3f}°…{az.max():+.3f}° " + f"(размах {az.ptp() if hasattr(az,'ptp') else np.ptp(az):.3f}°)") + print(f" угол места: {el.min():+.3f}°…{el.max():+.3f}°") + print(f" макс. дальность @10%: {r10.min():.0f}…{r10.max():.0f} м, " + f"каналов с 200 м: {(r10 >= 200).sum()}") + print(f" ближнего поля: {sum(r['near_field'] for r in rows)}, " + f"дальнобойных: {sum(r['far_field'] for r in rows)}, " + f"высокого разрешения: {sum(r['high_res'] for r in rows)}") + + +if __name__ == "__main__": + main() diff --git a/tools/inspect_bags.py b/tools/inspect_bags.py new file mode 100644 index 0000000..f69bb98 --- /dev/null +++ b/tools/inspect_bags.py @@ -0,0 +1,114 @@ +"""Инвентаризация бэгов и калибровка омматидиальной решётки. + +Для каждого бэга: состав топиков, раскладка скана, углы, проверка того, что +калиброванная решётка действительно описывает направления лучей. + + python tools/inspect_bags.py # все бэги под data/ + python tools/inspect_bags.py --bag data/for_hackathon/doubleT_obstacle +""" +from __future__ import annotations + +import argparse + +import numpy as np + +import _bootstrap as B # noqa: F401 (добавляет пакет в sys.path) +from flyguard.bag import Bag, find_bags +from flyguard.retina import ScanLayout + +N_CALIB_FRAMES = 12 + + +def check_layout(layout: ScanLayout, bag: Bag, n: int = 3) -> dict: + """Насколько точно решётка предсказывает направления реальных точек. + + Сравнение делается после выпрямления: направления точек проходят ту же + выборку `gather`, что и дальности, и сверяются с таблицей `layout.dirs`. + """ + H, W, E = layout.n_rings, layout.n_az, layout.n_echo + ang_err, rng_err = [], [] + for _, pc in bag.frames(start=5, stop=5 + n): + img = layout.project(pc) + raw = np.stack([pc.points[k].reshape(W, E, H).transpose(2, 0, 1) + for k in ("x", "y", "z")], axis=-1) # (H, W, E, 3) + r_raw = np.linalg.norm(raw, axis=-1) + near = np.argmin(np.where(r_raw > 0, r_raw, np.inf), axis=-1) + sel = np.take_along_axis(raw, near[..., None, None], -2)[..., 0, :] + r_sel = np.take_along_axis(r_raw, near[..., None], -1)[..., 0] + + g = layout.gather + sel = np.take_along_axis(sel, g[..., None], 1) + r_sel = np.take_along_axis(r_sel, g, 1) + + m = img.valid & (r_sel > 1.0) + if not m.any(): + continue + unit = sel[m] / r_sel[m][:, None] + cos = np.clip(np.einsum("ij,ij->i", unit, layout.dirs[m]), -1, 1) + ang_err.append(np.degrees(np.arccos(cos))) + rng_err.append(np.abs(r_sel[m] - img.r_near[m])) + if not ang_err: + return {} + ang = np.concatenate(ang_err) + return { + "ang_p50": float(np.percentile(ang, 50)), + "ang_p99": float(np.percentile(ang, 99)), + "ang_max": float(ang.max()), + "rng_max": float(np.concatenate(rng_err).max()), + "n": int(ang.size), + } + + +def summarise(bag_path) -> None: + bag = Bag(bag_path) + print("=" * 78) + print(bag.describe()) + + clouds = [pc for _, pc in bag.frames(start=2, stop=2 + N_CALIB_FRAMES)] + layout = ScanLayout.calibrate(clouds) + print(f" раскладка: {layout}") + + pc = clouds[0] + img = layout.project(pc) + r = img.r_near[img.valid] + print(f" точек в кадре: {pc.n_points} валидных лучей: {img.valid.mean():6.1%}") + print(f" дальность: p50={np.percentile(r, 50):6.1f} p99={np.percentile(r, 99):6.1f} " + f"max={r.max():6.1f}") + + sep = img.r_far - img.r_near + two = img.valid & (sep > 0.05) + print(f" лучей с двумя различимыми эхами: {two.mean():6.2%}" + + (f", разнос p50={np.median(sep[two]):.2f} м p95={np.percentile(sep[two], 95):.2f} м" + if two.any() else "")) + + sh = layout.col_shift + print(f" скос каналов: {sh.min()}…{sh.max()} столбцов " + f"({sh.min() * layout.az_step_deg:+.2f}°…{sh.max() * layout.az_step_deg:+.2f}°), " + f"остаток выпрямления |max| {np.abs(layout.az_resid_deg).max():.4f}°") + + chk = check_layout(layout, bag) + if chk: + print(f" ПРОВЕРКА решётки по {chk['n']} лучам: угловая ошибка " + f"p50={chk['ang_p50']:.4f}° p99={chk['ang_p99']:.4f}° max={chk['ang_max']:.4f}°, " + f"ошибка дальности max={chk['rng_max']:.2e} м") + + out = B.CACHE / "layouts" + out.mkdir(parents=True, exist_ok=True) + layout.save(out / f"{bag.path.name}.npz") + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--bag", action="append", help="путь к бэгу (можно несколько)") + ap.add_argument("--root", default=str(B.DATA), help="корень для поиска бэгов") + args = ap.parse_args() + + bags = [__import__("pathlib").Path(b) for b in args.bag] if args.bag else find_bags(args.root) + if not bags: + raise SystemExit(f"бэги не найдены под {args.root}") + for b in bags: + summarise(b) + + +if __name__ == "__main__": + main() diff --git a/tools/make_benchmark.py b/tools/make_benchmark.py new file mode 100644 index 0000000..48cb295 --- /dev/null +++ b/tools/make_benchmark.py @@ -0,0 +1,143 @@ +"""Размеченный полигон: сценарии сближения с синтетическим препятствием. + +Для каждого бэга и каждого типа предмета строится сценарий: предмет ставится +в фиксированную точку тоннеля далеко впереди, поезд к нему подъезжает, и на +каждом кадре известна истинная дистанция. Отсюда получаются именно те цифры, +которые просит ТЗ: с какой дальности предмет уверенно виден, сколько ложных +тревог и как это зависит от размера. + +Первый проход считает собственное движение по чистым данным (это и есть +разметка по дистанции), второй — гоняет конвейер по кадрам со вставленным +предметом. Все сценарии одного бэга обрабатываются в одном проходе по файлу: +чтение данных дороже самой обработки. + + python tools/make_benchmark.py --out artifacts/benchmark.npz --memory artifacts/mushroom_body.npz +""" +from __future__ import annotations + +import argparse +import json +import time + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.mushroom_body import MushroomBody +from flyguard.pipeline import FlyGuard, Params +from flyguard.synth import Placement, catalogue, inject + +HOLDOUT = "doubleT_obstacle" # там уже есть настоящий объект + + +def ego_track(bag: Bag, params: Params, limit: int | None): + """Первый проход: пройденный путь на каждом кадре (разметка по дистанции).""" + fg = FlyGuard(params, memory=None) + s, stamps = [], [] + total = 0.0 + for _, pc in bag.frames(stop=limit): + res = fg.process(pc) + if res is None: + s.append(None); stamps.append(pc.stamp); continue + total += res.ego.ds if res.ego else 0.0 + s.append(total); stamps.append(pc.stamp) + return s, stamps + + +def run_bag(bag_path, params: Params, memory, limit: int, d_start: float, + laterals: tuple[float, ...], seed: int, readout=None) -> list[dict]: + bag = Bag(bag_path) + s_track, _ = ego_track(bag, params, limit) + have = [x for x in s_track if x is not None] + if len(have) < 20: + return [] + travel = have[-1] - have[0] + + cat = catalogue() + scen = [(name, lat) for name in cat for lat in laterals] + pipes = [FlyGuard(params, memory=memory, readout=readout) for _ in scen] + rng = np.random.default_rng(seed) + records = [[] for _ in scen] + + # решётка и поза нужны для вставки — берутся из отдельного «чистого» конвейера + guide = FlyGuard(params, memory=None) + + for k, (_, pc) in enumerate(bag.frames(stop=limit)): + gres = guide.process(pc) + if gres is None or s_track[k] is None: + continue + s_now = s_track[k] - have[0] + for i, (name, lat) in enumerate(scen): + d_true = d_start - s_now + if d_true < 6.0: + continue + # Предмет лежит НА ПУТИ, а путь в кривой уходит вбок: на 150 м при + # радиусе 1300 м это 8.6 м. Если ставить его в поперечных координатах + # сенсора, он окажется в стене, а не в габарите. + u_obj = float(gres.corridor.centre(np.array([d_true], np.float32))[0]) + lat + pc2, lab = inject(pc, guide.layout_full, gres.plane, cat[name], + Placement(d=d_true, u=u_obj), rng=rng) + res = pipes[i].process(pc2) + if res is None: + continue + tol = max(3.0, 0.12 * d_true) + hit = any(abs(o.distance - d_true) < tol for o in res.decision.objects) + fp = sum(1 for o in res.decision.objects if abs(o.distance - d_true) >= tol) + records[i].append((d_true, int(hit), fp, lab["hit_rays"])) + + out = [] + for (name, lat), rec in zip(scen, records): + if not rec: + continue + a = np.array(rec, np.float32) + out.append(dict(bag=bag.path.name, obj=name, lateral=lat, + d=a[:, 0].tolist(), hit=a[:, 1].tolist(), + fp=a[:, 2].tolist(), rays=a[:, 3].tolist(), + travel=float(travel))) + return out + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--memory") + ap.add_argument("--mbon", default="", + help="обученное считывание MBON; как и память, оно " + "видело эти бэги: полигон меряет дальность, " + "а не обобщаемость") + ap.add_argument("--out", default=str(B.ARTIFACTS / "benchmark.json")) + ap.add_argument("--limit", type=int, default=250) + ap.add_argument("--d-start", type=float, default=200.0) + ap.add_argument("--laterals", default="0.0,0.9") + ap.add_argument("--seed", type=int, default=12345) + args = ap.parse_args() + + B.ARTIFACTS.mkdir(parents=True, exist_ok=True) + memory = MushroomBody.load(args.memory) if args.memory else None + readout = None + if args.mbon: + from flyguard.mbon_readout import MbonReadout + readout = MbonReadout.load(args.mbon) + print(f"считывание MBON: {args.mbon}") + params = Params() + laterals = tuple(float(x) for x in args.laterals.split(",")) + + all_rec = [] + for p in find_bags(args.root): + if p.name == HOLDOUT: + continue + t0 = time.time() + rec = run_bag(p, params, memory, args.limit, args.d_start, laterals, + args.seed, readout=readout) + all_rec.extend(rec) + n = sum(len(r["d"]) for r in rec) + print(f" {p.name:42s} сценариев {len(rec):3d}, наблюдений {n:6d}, " + f"{time.time()-t0:6.1f} с", flush=True) + + with open(args.out, "w", encoding="utf-8") as f: + json.dump(all_rec, f, ensure_ascii=False) + print(f"сохранено: {args.out} ({len(all_rec)} сценариев)") + + +if __name__ == "__main__": + main() diff --git a/tools/make_training_set.py b/tools/make_training_set.py new file mode 100644 index 0000000..2c90db5 --- /dev/null +++ b/tools/make_training_set.py @@ -0,0 +1,176 @@ +"""Размеченная выборка кандидатов: предмет против тоннельной обстановки. + +Разметки в датасете нет, и до сих пор это определяло архитектуру: грибовидное +тело учится **без меток**, запоминая частоту обстановки. Но у нас есть +физически обоснованный генератор предметов (`flyguard.synth`), сверенный с +единственным реальным объектом: настоящий 0.67 × 1.35 м на 55 м даёт 47–69 +лучей, синтетический человек 0.44 × 1.71 м на 60 м — 50. Значит, метки можно +изготовить, и изготовить достоверно. + +Каждый кандидат помечается по **пересечению лучей**, а не «по дальности +примерно»: `inject` возвращает индексы лучей, в которые предмет действительно +записан, и кандидат считается предметом, если его ядро состоит из этих лучей. +Так структура тоннеля, случайно оказавшаяся на той же дальности, в +положительные не попадает. + +Сценарии намеренно ставят предмет в РАЗНЫЕ точки тоннеля (`--d-starts`): замер +показал, что одна и та же дальность в разных местах перегона ведёт себя +совершенно по-разному — где-то предмет виден целиком, где-то за поворотом +(EXPERIMENTS п. 9.6). Обучаться на одной точке постановки значит выучить эту +точку. + +`doubleT_obstacle` исключён целиком: там настоящий объект, и он остаётся +независимой проверкой того, что модель выучила предмет, а не «синтетику». + + python tools/make_training_set.py --out data/cache/training_set.npz +""" +from __future__ import annotations + +import argparse +import time + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.mushroom_body import FEATURES, describe +from flyguard.pipeline import FlyGuard, Params +from flyguard.synth import Placement, catalogue, inject + +HOLDOUT = "doubleT_obstacle" # там реальный объект — только для проверки +MIN_OVERLAP = 0.5 # доля лучей ядра, пришедших от предмета + + +def ego_track(bag: Bag, params: Params, limit: int): + """Первый проход: пройденный путь на каждом кадре и общая решётка.""" + fg = FlyGuard(params, memory=None) + s, total = [], 0.0 + for _, pc in bag.frames(stop=limit): + res = fg.process(pc) + if res is None: + s.append(None) + continue + total += res.ego.ds if res.ego else 0.0 + s.append(total) + return s, fg + + +def collect_bag(path, params: Params, limit: int, d_starts, laterals, seed: int): + bag = Bag(path) + s_track, ego_fg = ego_track(bag, params, limit) + have = [x for x in s_track if x is not None] + if len(have) < 30: + return None + s0 = have[0] + layout = ego_fg.layout_full + col0 = ego_fg.cols.start + + cat = catalogue() + scen = [(n, lat, d0) for n in cat for lat in laterals for d0 in d_starts] + guide = FlyGuard(params, memory=None, layout=layout) + pipes = [FlyGuard(params, memory=None, layout=layout) for _ in scen] + rng = np.random.default_rng(seed) + + X, y, dd, obj, lat_out = [], [], [], [], [] + for k, (_, pc) in enumerate(bag.frames(stop=limit)): + g = guide.process(pc) + if g is None or s_track[k] is None: + continue + s_now = s_track[k] - s0 + for i, (name, lat, d0) in enumerate(scen): + d_true = d0 - s_now + if d_true < 6.0: + continue + u = float(g.corridor.centre(np.array([d_true], np.float32))[0]) + lat + pc2, lab = inject(pc, layout, g.plane, cat[name], + Placement(d=d_true, u=u), rng=rng) + res = pipes[i].process(pc2) + if res is None or not res.candidates: + continue + rr = lab.get("rays") + if rr is None or lab["hit_rays"] == 0: + truth = None + else: + # лучи предмета в координатах полной решётки → плоский индекс; + # отсортированный массив, а не множество: проверка идёт + # сотни тысяч раз, и `in` по множеству тут заметно дороже + truth = np.sort((rr[0].astype(np.int64) << 20) + | rr[1].astype(np.int64)) + for c in res.candidates: + ii, jj = c.extra.get("rays", (None, None)) + if ii is None: + continue + lbl = 0 + if truth is not None and truth.size: + key = ((ii.astype(np.int64) << 20) + | (jj.astype(np.int64) + col0)) + pos = np.searchsorted(truth, key) + np.clip(pos, 0, truth.size - 1, out=pos) + frac = float((truth[pos] == key).mean()) + lbl = int(frac >= MIN_OVERLAP) + v = describe(c) + acc = float(c.extra.get("acc_support", 0.0)) if c.extra else 0.0 + X.append(np.append(v, acc).astype(np.float32)) + y.append(lbl) + dd.append(c.d) + obj.append(name if lbl else "") + lat_out.append(lat) + return (np.asarray(X, np.float32), np.asarray(y, np.int8), + np.asarray(dd, np.float32), np.asarray(obj), + np.asarray(lat_out, np.float32)) + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--out", default=str(B.CACHE / "training_set.npz")) + ap.add_argument("--limit", type=int, default=250) + ap.add_argument("--d-starts", default="80,140,200") + # Поперечные положения намеренно кроют ВЕСЬ габарит, а не только ось. + # Иначе выборка вырождается: предметы у оси, обстановка у стен, и модель + # выучивает «всё, что у оси — предмет» вместо признаков предмета. Проверено + # на пробном прогоне с одной постановкой: AUC 1.000 по всем бэгам — цифра + # красивая и бессмысленная, а в тоннеле у оси полно штатных конструкций. + ap.add_argument("--laterals", default="0,-0.6,0.6,-1.2,1.2") + ap.add_argument("--seed", type=int, default=20260921) + args = ap.parse_args() + + d_starts = tuple(float(x) for x in args.d_starts.split(",")) + laterals = tuple(float(x) for x in args.laterals.split(",")) + params = Params() + B.CACHE.mkdir(parents=True, exist_ok=True) + + parts = {} + for p in find_bags(args.root): + if p.name == HOLDOUT: + continue + t0 = time.time() + got = collect_bag(p, params, args.limit, d_starts, laterals, args.seed) + if got is None: + print(f" {p.name:42s} пропущен") + continue + parts[p.name] = got + Xb, yb = got[0], got[1] + print(f" {p.name:42s} {Xb.shape[0]:7d} кандидатов, " + f"предметов {int(yb.sum()):6d} ({yb.mean():5.1%}), " + f"{time.time() - t0:6.0f} с", flush=True) + + if not parts: + raise SystemExit("ничего не собрано") + out = {} + for name, (Xb, yb, db, ob, lb) in parts.items(): + out[f"X_{name}"] = Xb + out[f"y_{name}"] = yb + out[f"d_{name}"] = db + out[f"obj_{name}"] = ob + out[f"lat_{name}"] = lb + np.savez_compressed(args.out, names=np.array(list(parts)), + features=np.array(FEATURES + ("acc_support",)), **out) + tot = sum(v[0].shape[0] for v in parts.values()) + pos = sum(int(v[1].sum()) for v in parts.values()) + print(f"\nвсего {tot} кандидатов, предметов {pos} ({pos / tot:.1%})") + print("сохранено:", args.out) + + +if __name__ == "__main__": + main() diff --git a/tools/plot_benchmark.py b/tools/plot_benchmark.py new file mode 100644 index 0000000..5b8762a --- /dev/null +++ b/tools/plot_benchmark.py @@ -0,0 +1,131 @@ +"""Кривые дальности обнаружения по размеру предмета. + +Читает результат `tools/make_benchmark.py` и строит то, что требует ТЗ, п. 5: +с какой дистанции предмет уверенно виден и как это зависит от его размера. + +Считаются две величины: + +* **вероятность обнаружения в поясе дальности** — доля кадров, в которых + подтверждённый трек совпал с истинным положением предмета; +* **рабочая дальность** — самая дальняя точка, начиная с которой вероятность + устойчиво держится выше порога при сближении. Именно она отвечает на вопрос + «за сколько метров поезд увидел препятствие». + + python tools/plot_benchmark.py --in artifacts/benchmark.json +""" +from __future__ import annotations + +import argparse +import json + +import matplotlib +matplotlib.use("Agg") +import matplotlib.pyplot as plt # noqa: E402 +import numpy as np # noqa: E402 + +import _bootstrap as B # noqa: F401,E402 + +EDGES = np.array([0, 15, 25, 40, 55, 70, 90, 110, 135, 160, 190, 230], float) +MIN_VISIBLE_RAYS = 2 # меньше — предмет физически не освещён лучами + + +def curve(d: np.ndarray, hit: np.ndarray): + """Вероятность обнаружения по поясам дальности.""" + idx = np.digitize(d, EDGES) - 1 + p, n, centres = [], [], [] + for b in range(len(EDGES) - 1): + m = idx == b + if m.sum() < 5: + continue + p.append(hit[m].mean()) + n.append(int(m.sum())) + centres.append(0.5 * (EDGES[b] + EDGES[b + 1])) + return np.array(centres), np.array(p), np.array(n) + + +def working_range(centres: np.ndarray, p: np.ndarray, thr: float = 0.5) -> float: + """Дальняя граница устойчивого обнаружения. + + Идём от ближнего пояса к дальнему и останавливаемся там, где вероятность + впервые опускается ниже порога: дальше объект уже теряется. + """ + best = 0.0 + for c, v in sorted(zip(centres, p)): + if v < thr: + break + best = c + return best + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--in", dest="path", default=str(B.ARTIFACTS / "benchmark.json")) + ap.add_argument("--thr", type=float, default=0.5) + args = ap.parse_args() + + rec = json.load(open(args.path, encoding="utf-8")) + by_obj: dict[str, list] = {} + for r in rec: + by_obj.setdefault(r["obj"], []).append(r) + + print(f"{'предмет':16s} {'площадь':>11s} | {'алгоритм':>8s} {'как есть':>9s} | " + f"{'P@50м':>6s} {'P@100м':>7s} {'P@150м':>7s} | {'видим':>7s} | {'набл.':>6s}") + print(f"{'':16s} {'':11s} | {'рабочая дальность, м':>18s} | " + f"{'при условии видимости':>22s} |") + print("-" * 104) + + fig, axes = plt.subplots(1, 3, figsize=(19, 5.2), dpi=110) + for name, rows in sorted(by_obj.items(), key=lambda kv: -_size(kv[0])): + d = np.concatenate([np.array(r["d"]) for r in rows]) + hit = np.concatenate([np.array(r["hit"]) for r in rows]) + rays = np.concatenate([np.array(r["rays"]) for r in rows]) + + # видимость: в кривом тоннеле предмет за поворотом просто не освещён + # лучами, и «непопадание» там ничего не говорит об алгоритме + vis = rays >= MIN_VISIBLE_RAYS + cv, pv, _ = curve(d, vis.astype(float)) + c, p, _ = curve(d, hit) + cc, pc_, _ = curve(d[vis], hit[vis]) if vis.any() else (np.array([]),) * 3 + if c.size == 0: + continue + wr_alg = working_range(cc, pc_, args.thr) if cc.size else 0.0 + wr_op = working_range(c, p, args.thr) + at = {x: float(np.interp(x, cc, pc_)) if cc.size else 0.0 for x in (50, 100, 150)} + print(f"{name:16s} {_size(name):8.2f} м² | {wr_alg:8.0f} {wr_op:9.0f} | " + f"{at[50]:6.2f} {at[100]:7.2f} {at[150]:7.2f} | {vis.mean():7.1%} | {d.size:6d}") + + axes[0].plot(cv, pv, marker=".", lw=1.2, label=name) + if cc.size: + axes[1].plot(cc, pc_, marker="o", ms=3.5, lw=1.4, label=name) + axes[2].plot(c, p, marker="o", ms=3.5, lw=1.4, label=name) + + axes[0].set_title(f"1. Виден ли предмет вообще\n(≥{MIN_VISIBLE_RAYS} лучей попало)") + axes[0].set_ylabel("доля кадров") + axes[1].set_title("2. Обнаружение, когда предмет виден\n(качество алгоритма)") + axes[1].set_ylabel("вероятность обнаружения") + axes[2].set_title("3. Обнаружение как есть\n(эксплуатационная величина)") + axes[2].set_ylabel("вероятность обнаружения") + for ax in axes: + ax.axhline(args.thr, color="k", ls="--", lw=0.8) + ax.set_xlabel("истинная дистанция до предмета, м") + ax.set_ylim(-0.03, 1.03); ax.grid(alpha=0.25) + ax.legend(fontsize=7, ncol=2) + + B.FIGURES.mkdir(parents=True, exist_ok=True) + out = B.FIGURES / "detection_range.png" + fig.tight_layout(); fig.savefig(out) + print("\nсохранено:", out) + + fp = np.concatenate([np.array(r["fp"]) for r in rec]) + print(f"посторонних тревог: {fp.sum():.0f} на {fp.size} наблюдений " + f"({fp.mean():.3f} на кадр)") + + +def _size(name: str) -> float: + from flyguard.synth import catalogue + w, h = catalogue()[name].size + return w * h + + +if __name__ == "__main__": + main() diff --git a/tools/probe_bag.py b/tools/probe_bag.py new file mode 100644 index 0000000..362987d --- /dev/null +++ b/tools/probe_bag.py @@ -0,0 +1,128 @@ +"""Minimal, dependency-free reader for ROS 2 sqlite3 bags with sensor_msgs/PointCloud2. + +Used for offline data exploration on Windows (no ROS installed). +Parses CDR (little-endian) encapsulated PointCloud2 messages. +""" +from __future__ import annotations + +import sqlite3 +import struct +import sys + +import numpy as np + +_DTYPES = { + 1: ("i1", 1), 2: ("u1", 1), 3: ("i2", 2), 4: ("u2", 2), + 5: ("i4", 4), 6: ("u4", 4), 7: ("f4", 4), 8: ("f8", 8), +} + + +class _Cdr: + """Little-endian CDR reader with proper primitive alignment.""" + + def __init__(self, buf: bytes): + self.buf = buf + self.origin = 4 # skip encapsulation header + self.pos = 4 + + def _align(self, size: int) -> None: + rel = self.pos - self.origin + pad = (-rel) % size + self.pos += pad + + def u8(self) -> int: + v = self.buf[self.pos] + self.pos += 1 + return v + + def u32(self) -> int: + self._align(4) + v = struct.unpack_from(" int: + self._align(4) + v = struct.unpack_from(" str: + n = self.u32() + s = self.buf[self.pos:self.pos + n - 1].decode("utf-8", "replace") + self.pos += n + return s + + def bytes(self, n: int) -> bytes: + v = self.buf[self.pos:self.pos + n] + self.pos += n + return v + + +def parse_pointcloud2(blob: bytes) -> dict: + c = _Cdr(blob) + sec = c.i32() + nsec = c.u32() + frame_id = c.string() + height = c.u32() + width = c.u32() + nfields = c.u32() + fields = [] + for _ in range(nfields): + name = c.string() + offset = c.u32() + datatype = c.u8() + count = c.u32() + fields.append((name, offset, datatype, count)) + is_bigendian = c.u8() + point_step = c.u32() + row_step = c.u32() + n_bytes = c.u32() + data = c.bytes(n_bytes) + is_dense = c.u8() + + dt_fields = [] + used = 0 + for name, offset, datatype, count in fields: + kind, size = _DTYPES[datatype] + if offset > used: + dt_fields.append((f"_pad{used}", f"V{offset - used}")) + dt_fields.append((name, kind if count == 1 else f"{count}{kind}")) + used = offset + size * count + if point_step > used: + dt_fields.append((f"_pad{used}", f"V{point_step - used}")) + dtype = np.dtype([(n, t) for n, t in dt_fields]) + assert dtype.itemsize == point_step, (dtype.itemsize, point_step) + arr = np.frombuffer(data, dtype=dtype, count=height * width) + return dict(stamp=sec + nsec * 1e-9, frame_id=frame_id, height=height, width=width, + fields=fields, point_step=point_step, row_step=row_step, + is_dense=is_dense, is_bigendian=is_bigendian, points=arr) + + +def frames(db_path: str, limit: int | None = None, start: int = 0): + con = sqlite3.connect(f"file:{db_path}?mode=ro", uri=True) + q = "SELECT timestamp, data FROM messages ORDER BY timestamp" + if limit is not None: + q += f" LIMIT {limit} OFFSET {start}" + for ts, blob in con.execute(q): + yield ts, parse_pointcloud2(blob) + con.close() + + +if __name__ == "__main__": + path = sys.argv[1] + idx = int(sys.argv[2]) if len(sys.argv) > 2 else 0 + for ts, m in frames(path, limit=1, start=idx): + print("stamp", m["stamp"], "frame_id", m["frame_id"]) + print("height", m["height"], "width", m["width"], "point_step", m["point_step"], + "dense", m["is_dense"], "bigendian", m["is_bigendian"]) + print("fields:") + for f in m["fields"]: + print(" ", f) + p = m["points"] + print("npoints", p.shape) + for name in p.dtype.names: + if name.startswith("_pad"): + continue + v = p[name] + print(f" {name:12s} dtype={v.dtype} min={np.min(v)} max={np.max(v)} mean={np.mean(v.astype(np.float64)):.4f}") diff --git a/tools/run_pipeline.py b/tools/run_pipeline.py new file mode 100644 index 0000000..a434efa --- /dev/null +++ b/tools/run_pipeline.py @@ -0,0 +1,80 @@ +"""Сквозной прогон конвейера по бэгу: решения, треки, тайминги. + + python tools/run_pipeline.py --bag data/for_hackathon/doubleT_obstacle --verbose + python tools/run_pipeline.py --all --memory artifacts/mushroom_body.npz +""" +from __future__ import annotations + +import argparse + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.mushroom_body import MushroomBody +from flyguard.pipeline import FlyGuard, Params + + +def run(bag_path, params: Params, memory, limit: int | None, verbose: bool) -> dict: + bag = Bag(bag_path) + fg = FlyGuard(params, memory=memory) + stages: dict[str, list[float]] = {} + n_det = n_frames = 0 + dists, speeds, ncand = [], [], [] + + for _, pc in bag.frames(stop=limit): + res = fg.process(pc) + if res is None: + continue + n_frames += 1 + for k, v in res.timings.items(): + stages.setdefault(k, []).append(v) + ncand.append(len(res.candidates)) + speeds.append(res.ego.speed if res.ego else 0.0) + d = res.decision + if d.detected: + n_det += 1 + dists.append(d.distance) + if verbose and n_frames % 10 == 0: + obj = (f"{d.distance:6.1f} м conf={d.confidence:.2f} " + f"{'ЭКСТРЕННО' if d.emergency else 'предупр.'}" + if d.detected else "путь свободен") + print(f" кадр {n_frames:4d} v={res.ego.speed*3.6:5.1f} км/ч " + f"канд.={len(res.candidates):3d} треков={len(fg.cx.tracks):3d} | {obj} " + f"| {res.total_ms:5.1f} мс") + + tot = np.array([sum(v[i] for v in stages.values()) for i in range(n_frames)]) \ + if n_frames else np.zeros(1) + res = dict(name=bag.path.name, frames=n_frames, det_rate=n_det / max(n_frames, 1), + p50=float(np.median(tot)), p95=float(np.percentile(tot, 95)), + cands=float(np.mean(ncand)) if ncand else 0.0, + v=float(np.median(speeds) * 3.6) if speeds else 0.0, + d_med=float(np.median(dists)) if dists else float("nan")) + print(f"{res['name']:40s} кадров {res['frames']:4d} | тревога в {res['det_rate']:6.1%} " + f"кадров (медиана {res['d_med']:6.1f} м) | канд./кадр {res['cands']:5.1f} | " + f"v={res['v']:5.1f} км/ч | {res['p50']:5.1f}/{res['p95']:5.1f} мс (p50/p95)") + if verbose: + for k in sorted(stages, key=lambda k: -np.median(stages[k])): + print(f" {k:12s} {np.median(stages[k]):6.2f} мс") + return res + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--bag") + ap.add_argument("--all", action="store_true") + ap.add_argument("--limit", type=int, default=150) + ap.add_argument("--memory", default=None) + ap.add_argument("--fov", type=float, default=30.0) + ap.add_argument("--verbose", action="store_true") + args = ap.parse_args() + + memory = MushroomBody.load(args.memory) if args.memory else None + params = Params(fov_deg=args.fov) + bags = find_bags(B.DATA / "for_hackathon") if args.all else [args.bag] + for b in bags: + run(b, params, memory, args.limit, args.verbose) + + +if __name__ == "__main__": + main() diff --git a/tools/train_mbon.py b/tools/train_mbon.py new file mode 100644 index 0000000..a72523d --- /dev/null +++ b/tools/train_mbon.py @@ -0,0 +1,202 @@ +"""Обучение считывания MBON с учителем и честная проверка по бэгам. + +Метки изготовлены физикой (`tools/make_training_set.py`), поэтому впервые можно +обучать не «частоту обстановки», а прямо различение «предмет / тоннель». Слои +при этом те же: разрежённый код клеток Кеньона, торможение APL, один выход +MBON — меняется только учитель (см. `flyguard/mbon_readout.py`). + +Проверка — leave-one-bag-out: модель обучается на всех бэгах, кроме +проверяемого. Рядом считаются три вещи, без которых цифрам верить нельзя: + +* **развёртка по ёмкости** — сколько клеток Кеньона реально нужно. Отбор + «победитель забирает всё» стоит дороже матмула, и в худшем кадре (64 + кандидата) 20 000 клеток это 7.3 мс из бюджета в 100 мс, а 8 000 — 2.8 мс. + Платить за ёмкость имеет смысл, только если она что-то даёт; +* **важность признаков перестановкой** — если наверх вылезли `lat`/`abs_lat`, + модель выучила «что у оси, то предмет». В тоннеле у оси полно штатных + конструкций, и именно они дают нам ложные тревоги, так что такая модель + сделала бы хуже, показывая красивые цифры; +* **контрольный градиентный бустинг** по сырым признакам — сколько качества + стоит сам разрежённый код. + + python tools/train_mbon.py --device cuda --baseline +""" +from __future__ import annotations + +import argparse +import time + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.mbon_readout import MbonConfig, MbonReadout + +BANDS = ((0, 30), (30, 55), (55, 80), (80, 110), (110, 160), (160, 230)) + + +def auc(score: np.ndarray, y: np.ndarray) -> float: + pos, neg = score[y == 1], score[y == 0] + if pos.size == 0 or neg.size == 0: + return float("nan") + order = np.argsort(np.concatenate([pos, neg])) + ranks = np.empty(order.size, np.float64) + ranks[order] = np.arange(1, order.size + 1) + return float((ranks[:pos.size].sum() - pos.size * (pos.size + 1) / 2) + / (pos.size * neg.size)) + + +def fpr_at_tpr(score: np.ndarray, y: np.ndarray, tpr: float = 0.95) -> float: + """Доля обстановки, проходящей порог, при котором ловится `tpr` предметов.""" + pos, neg = score[y == 1], score[y == 0] + if pos.size == 0 or neg.size == 0: + return float("nan") + thr = np.quantile(pos, 1.0 - tpr) + return float((neg >= thr).mean()) + + +def loo(names, X, Y, cfg, n_pn, args, keep_models=False): + """Обучение на всех бэгах кроме проверяемого. Возвращает список результатов.""" + out = [] + for held in names: + tr = [n for n in names if n != held] + Xtr = np.concatenate([X[n] for n in tr]) + ytr = np.concatenate([Y[n] for n in tr]) + m = MbonReadout(cfg, n_pn=n_pn) + m.fit_normalizer(Xtr) + m.learn(Xtr, ytr, epochs=args.epochs, lr=args.lr, l2=args.l2, + device=args.device) + s = m.score(X[held]) + out.append((held, s, m if keep_models else None, Xtr, ytr)) + return out + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--data", default=str(B.CACHE / "training_set.npz")) + ap.add_argument("--out", default=str(B.ARTIFACTS / "mbon_readout.npz")) + ap.add_argument("--n-kc", type=int, default=0, + help="ёмкость итоговой модели; 0 — взять лучшую из развёртки") + ap.add_argument("--sweep-kc", default="4000,8000,20000", + help="ёмкости для развёртки; пусто — не разворачивать") + ap.add_argument("--active", type=int, default=100, + help="активных клеток после торможения APL") + ap.add_argument("--epochs", type=int, default=60) + ap.add_argument("--lr", type=float, default=4.0) + ap.add_argument("--l2", type=float, default=1e-5) + ap.add_argument("--device", default="cpu") + ap.add_argument("--baseline", action="store_true", + help="сравнить с градиентным бустингом по сырым признакам") + ap.add_argument("--save-folds", default=str(B.ARTIFACTS / "mbon_folds"), + help="куда сложить модели по складкам: без них сквозная " + "оценка нечестна — считывание увидит проверяемый бэг") + args = ap.parse_args() + + d = np.load(args.data, allow_pickle=True) + names = [str(n) for n in d["names"]] + X = {n: d[f"X_{n}"].astype(np.float32) for n in names} + Y = {n: d[f"y_{n}"].astype(np.int8) for n in names} + D = {n: d[f"d_{n}"].astype(np.float32) for n in names} + feats = [str(f) for f in d["features"]] + n_pn = next(iter(X.values())).shape[1] + tot = sum(v.shape[0] for v in X.values()) + pos = sum(int(v.sum()) for v in Y.values()) + print(f"выборка: {tot} кандидатов, предметов {pos} ({pos / tot:.1%}), " + f"признаков {n_pn}") + for n in names: + print(f" {n:<42}{X[n].shape[0]:7d} предметов {int(Y[n].sum()):6d} " + f"({Y[n].mean():5.1%})") + + # ------------------------------------------------------ развёртка по ёмкости + best_kc = args.n_kc + if args.sweep_kc.strip(): + print("\nразвёртка по ёмкости (leave-one-bag-out):") + print(f"{'клеток':>8}{'активных':>10}{'AUC':>9}" + f"{'обстановки при 95% предметов':>31}") + scores = {} + for kc in (int(x) for x in args.sweep_kc.split(",")): + cfg = MbonConfig(n_kc=kc, sparsity=min(args.active / kc, 1.0)) + res = loo(names, X, Y, cfg, n_pn, args) + a = float(np.nanmean([auc(s, Y[h]) for h, s, *_ in res])) + f = float(np.nanmean([fpr_at_tpr(s, Y[h], 0.95) for h, s, *_ in res])) + scores[kc] = a + print(f"{kc:8d}{min(args.active, kc):10d}{a:9.4f}{f:30.2%}", flush=True) + if not best_kc: + # берём наименьшую ёмкость, отстающую от лучшей не более чем на + # 0.002 AUC: дальше платим временем кадра за шум + top = max(scores.values()) + best_kc = min(k for k, v in scores.items() if v >= top - 0.002) + print(f"выбрана ёмкость {best_kc} (лучшая AUC {top:.4f})") + if not best_kc: + best_kc = MbonConfig().n_kc + + # ------------------------------------------------------------- подробно + cfg = MbonConfig(n_kc=best_kc, sparsity=min(args.active / best_kc, 1.0)) + print(f"\nподробно при {best_kc} клетках:") + res = loo(names, X, Y, cfg, n_pn, args, keep_models=True) + for held, s, m, Xtr, ytr in res: + line = (f"{held:<42} AUC {auc(s, Y[held]):.4f} " + f"обстановки при 95% предметов {fpr_at_tpr(s, Y[held], 0.95):6.2%}") + if args.baseline: + import lightgbm as lgb + g = lgb.LGBMClassifier(n_estimators=400, learning_rate=0.05, + num_leaves=63, verbose=-1) + g.fit(Xtr, ytr) + line += f" | бустинг AUC {auc(g.predict_proba(X[held])[:, 1], Y[held]):.4f}" + print(line, flush=True) + + if args.save_folds: + # По одной модели на складку. `evaluate.py --mbon-dir` берёт ту, что + # НЕ видела проверяемый бэг: иначе сквозные цифры ложные, ровно как + # было бы с памятью тоннеля, обученной на всём подряд. + from pathlib import Path + out_dir = Path(args.save_folds) + out_dir.mkdir(parents=True, exist_ok=True) + for held, _, mm, *_ in res: + mm.save(out_dir / f"mbon_{held}.npz") + print(f"модели по складкам сохранены: {out_dir} ({len(res)} шт.)") + + print(f"\nсредний AUC: {np.nanmean([auc(s, Y[h]) for h, s, *_ in res]):.4f}") + print("AUC по полосам дальности:") + print(" " + "".join(f"{a}-{b} м".rjust(12) for a, b in BANDS)) + line = " " + for lo, hi in BANDS: + ss = np.concatenate([s[(D[h] >= lo) & (D[h] < hi)] for h, s, *_ in res]) + yy = np.concatenate([Y[h][(D[h] >= lo) & (D[h] < hi)] for h, s, *_ in res]) + line += f"{auc(ss, yy):12.3f}" if (yy == 1).sum() >= 20 else " -" + print(line) + + print("\nважность признаков (падение AUC при перестановке):") + rng = np.random.default_rng(0) + drops = [] + for held, s, m, *_ in res: + base = auc(s, Y[held]) + row = [] + for j in range(n_pn): + Xp = X[held].copy() + Xp[:, j] = rng.permutation(Xp[:, j]) + row.append(base - auc(m.score(Xp), Y[held])) + drops.append(row) + imp = np.mean(drops, axis=0) + for j in np.argsort(-imp)[:10]: + print(f" {feats[j]:<14}{imp[j]:+.4f}") + lat_j = [j for j, f in enumerate(feats) if f in ("lat", "abs_lat")] + if lat_j and max(imp[j] for j in lat_j) >= sorted(imp)[-3]: + print(" ВНИМАНИЕ: положение в сечении среди главных признаков — " + "модель могла выучить «что у оси, то предмет»") + + # -------------------------------------------------------------- итоговая + Xall = np.concatenate([X[n] for n in names]) + yall = np.concatenate([Y[n] for n in names]) + m = MbonReadout(cfg, n_pn=n_pn) + m.fit_normalizer(Xall) + t0 = time.time() + m.learn(Xall, yall, epochs=args.epochs, lr=args.lr, l2=args.l2, + device=args.device, verbose=True) + m.save(args.out) + print(f"\nитоговая модель: {best_kc} клеток, {m.n_active} активных, " + f"обучена на {Xall.shape[0]} примерах за {time.time() - t0:.1f} с") + print("сохранено:", args.out) + + +if __name__ == "__main__": + main() diff --git a/tools/train_mushroom_body.py b/tools/train_mushroom_body.py new file mode 100644 index 0000000..51d971c --- /dev/null +++ b/tools/train_mushroom_body.py @@ -0,0 +1,129 @@ +"""Обучение памяти тоннеля — грибовидного тела. + +Учится **без единой метки**: конвейер прогоняется по проездам пустого тоннеля, +все выданные геометрией кандидаты объявляются «знакомой обстановкой», и синапсы +KC→MBON на них депрессируются. После этого лотки, ниши, гермозатворы, кромки +платформ и стрелочные приводы перестают быть новостью, а незнакомая форма — нет. + + python tools/train_mushroom_body.py --out artifacts/mushroom_body.npz + python tools/train_mushroom_body.py --exclude roundT_doubleT --device cuda + +Датасет кандидатов кэшируется, поэтому подбор параметров памяти не требует +повторного прогона конвейера по 100 ГБ данных. +""" +from __future__ import annotations + +import argparse +import time + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.mushroom_body import MushroomBody, MushroomBodyConfig, describe +from flyguard.pipeline import FlyGuard, Params + +# бэг с реальным препятствием в обучение не идёт: память обязана считать его новым +HOLDOUT = {"doubleT_obstacle"} + + +def collect(bag_path, params: Params, limit: int | None, stride: int): + bag = Bag(bag_path) + fg = FlyGuard(params, memory=None) + rows, meta = [], [] + for k, (_, pc) in enumerate(bag.frames(stop=limit, stride=stride)): + res = fg.process(pc) + if res is None: + continue + for c in res.candidates: + rows.append(describe(c)) + meta.append((c.d, c.u, c.h, c.n_rays)) + return rows, meta + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--extra", action="append", default=[], + help="дополнительные бэги (например, data/new_data)") + ap.add_argument("--out", default=str(B.ARTIFACTS / "mushroom_body.npz")) + ap.add_argument("--cache", default=str(B.CACHE / "candidates.npz")) + ap.add_argument("--exclude", action="append", default=[]) + ap.add_argument("--extra-cache", action="append", default=[], + help="готовые наборы дескрипторов (npz с массивом X), " + "например data/cache/new_data_candidates.npz") + ap.add_argument("--limit", type=int, default=None) + ap.add_argument("--stride", type=int, default=1) + _d = MushroomBodyConfig() # умолчания берутся из самой модели + ap.add_argument("--rate", type=float, default=0.0, + help="темп депрессии; 0 — подобрать по размеру выборки") + ap.add_argument("--target", type=float, default=0.4, + help="во сколько e-раз ослабляется типичная клетка Кеньона; " + "0.4 даёт лучшее разделение (tools/tune_memory.py)") + ap.add_argument("--n-kc", type=int, default=_d.n_kc) + ap.add_argument("--claws", type=int, default=_d.claws) + ap.add_argument("--sparsity", type=float, default=_d.sparsity) + ap.add_argument("--device", default="cpu") + ap.add_argument("--reuse-cache", action="store_true") + args = ap.parse_args() + + B.ARTIFACTS.mkdir(parents=True, exist_ok=True) + B.CACHE.mkdir(parents=True, exist_ok=True) + params = Params() + + skip = HOLDOUT | set(args.exclude) + bags = [b for b in find_bags(args.root) if b.name not in skip] + bags += [__import__("pathlib").Path(p) for p in args.extra] + + if args.reuse_cache and __import__("pathlib").Path(args.cache).exists(): + d = np.load(args.cache, allow_pickle=True) + X = d["X"] + names = list(d["names"]) + print(f"кэш: {X.shape[0]} кандидатов из {len(names)} бэгов") + else: + all_rows, names, per_bag = [], [], [] + for b in bags: + t0 = time.time() + rows, _ = collect(b, params, args.limit, args.stride) + all_rows.extend(rows) + names.append(b.name) + per_bag.append(len(rows)) + print(f" {b.name:42s} кандидатов {len(rows):7d} за {time.time()-t0:6.1f} с") + if not all_rows: + raise SystemExit("кандидатов не собрано — нечему учиться") + X = np.stack(all_rows).astype(np.float32) + np.savez_compressed(args.cache, X=X, names=np.array(names), + per_bag=np.array(per_bag)) + print(f"кэш сохранён: {args.cache}") + + for path in args.extra_cache: + d = np.load(path, allow_pickle=True) + extra = d["X"].astype(np.float32) + if extra.shape[1] != X.shape[1]: + raise SystemExit(f"{path}: {extra.shape[1]} признаков вместо {X.shape[1]} — " + "набор собран другой версией дескриптора, пересоберите") + print(f" + {path}: {extra.shape[0]} кандидатов") + X = np.concatenate([X, extra]) + + print(f"обучающая выборка: {X.shape[0]} кандидатов, {X.shape[1]} признаков") + cfg = MushroomBodyConfig(n_kc=args.n_kc, claws=args.claws, sparsity=args.sparsity) + mb = MushroomBody(cfg) + mb.fit_normalizer(X) + + rate = args.rate if args.rate > 0 else mb.auto_rate(X.shape[0], args.target) + t0 = time.time() + mb.learn(X, rate=rate, device=args.device) + print(f"обучено на {X.shape[0]} примерах за {time.time()-t0:.2f} с " + f"(устройство {args.device}, темп депрессии {rate:.4f})") + + nov = mb.novelty(X) + frac = (mb.w_mbon < 0.5).mean() + print(f"клеток Кеньона с подавленным синапсом: {frac:.1%}") + print("новизна обучающей выборки: " + + " ".join(f"p{q}={np.percentile(nov, q):.3f}" for q in (5, 25, 50, 75, 95))) + mb.save(args.out) + print("сохранено:", args.out) + + +if __name__ == "__main__": + main() diff --git a/tools/tune_memory.py b/tools/tune_memory.py new file mode 100644 index 0000000..72f651a --- /dev/null +++ b/tools/tune_memory.py @@ -0,0 +1,125 @@ +"""Подбор ёмкости грибовидного тела по разделяющей способности. + +Память с малым числом клеток Кеньона насыщается: после нескольких тысяч примеров +подавлены все синапсы, и новым не выглядит уже ничто — включая настоящее +препятствие. Скрипт меряет, при каких параметрах память **различает**: + +* отрицательные примеры — кандидаты отложенного пустого бэга (должны стать знакомы); +* положительные — реальный объект на ~55 м из `doubleT_obstacle` (должен остаться новым). + +Считается ROC AUC по новизне. Заодно печатается доля подавленных синапсов — +прямой индикатор насыщения. + + python tools/tune_memory.py --device cuda +""" +from __future__ import annotations + +import argparse +import itertools + +import numpy as np + +import _bootstrap as B # noqa: F401 +from flyguard.bag import Bag, find_bags +from flyguard.mushroom_body import FEATURES, MushroomBody, MushroomBodyConfig, describe +from flyguard.pipeline import FlyGuard, Params + +OBSTACLE_BAG = "doubleT_obstacle" +TRUE_D = (50.0, 62.0) + + +def collect_bag(path, limit=None, stride=1, params=None): + fg = FlyGuard(params or Params(), memory=None) + rows, dists = [], [] + for _, pc in Bag(path).frames(stop=limit, stride=stride): + res = fg.process(pc) + if res is None: + continue + for c in res.candidates: + rows.append(describe(c)) + dists.append(c.d) + X = np.stack(rows).astype(np.float32) if rows else np.zeros((0, len(FEATURES)), np.float32) + return X, np.asarray(dists, np.float32) + + +def auc(pos: np.ndarray, neg: np.ndarray) -> float: + if pos.size == 0 or neg.size == 0: + return float("nan") + order = np.argsort(np.concatenate([pos, neg])) + ranks = np.empty(order.size, np.float64) + ranks[order] = np.arange(1, order.size + 1) + r_pos = ranks[:pos.size].sum() + return float((r_pos - pos.size * (pos.size + 1) / 2) / (pos.size * neg.size)) + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + ap.add_argument("--cache", default=str(B.CACHE / "tune_candidates.npz")) + ap.add_argument("--device", default="cpu") + ap.add_argument("--limit", type=int, default=None) + ap.add_argument("--stride", type=int, default=1) + ap.add_argument("--split-near", type=float, default=None, + help="переопределить порог ближней зоны разреза") + ap.add_argument("--collect-only", action="store_true", + help="только пересобрать кэш дескрипторов и выйти") + args = ap.parse_args() + + B.CACHE.mkdir(parents=True, exist_ok=True) + from pathlib import Path + cache = Path(args.cache) + + if cache.exists(): + d = np.load(cache, allow_pickle=True) + bags = {str(k): d[f"X_{k}"] for k in d["names"]} + obj_d = d["obj_d"] + else: + bags, obj_d = {}, None + for p in find_bags(args.root): + over = ({} if args.split_near is None + else {'split_near': args.split_near}) + X, dd = collect_bag(p, args.limit, args.stride, Params(**over)) + bags[p.name] = X + if p.name == OBSTACLE_BAG: + obj_d = dd + print(f" {p.name:42s} {X.shape[0]:7d} кандидатов") + np.savez_compressed(cache, names=np.array(list(bags)), obj_d=obj_d, + **{f"X_{k}": v for k, v in bags.items()}) + print("кэш сохранён:", cache) + if args.collect_only: + return + + X_obs = bags[OBSTACLE_BAG] + in_band = (obj_d > TRUE_D[0]) & (obj_d < TRUE_D[1]) + X_pos = X_obs[in_band] + empty_names = [k for k in bags if k != OBSTACLE_BAG] + print(f"\nположительных (объект ~55 м): {X_pos.shape[0]}, " + f"пустых бэгов: {len(empty_names)}") + + grid = itertools.product([2_000, 20_000, 100_000], [0.05, 0.01, 0.002], [0.1, 0.3, 0.7]) + print(f"\n{'n_kc':>8} {'разреж.':>8} {'rate':>6} | {'AUC':>6} | " + f"{'нов.объект':>10} {'нов.фон':>8} | {'подавл.':>8}") + print("-" * 72) + best = None + for n_kc, sp, rate in grid: + aucs, novp, novn, sat = [], [], [], [] + for held in empty_names: + train = np.concatenate([bags[k] for k in empty_names if k != held]) + mb = MushroomBody(MushroomBodyConfig(n_kc=n_kc, sparsity=sp)) + mb.fit_normalizer(train) + mb.learn(train, rate=rate, device=args.device) + p = mb.novelty(X_pos) + n = mb.novelty(bags[held]) + aucs.append(auc(p, n)); novp.append(np.median(p)); novn.append(np.median(n)) + sat.append(float((mb.w_mbon < 0.5).mean())) + a = float(np.mean(aucs)) + print(f"{n_kc:8d} {sp:8.3f} {rate:6.2f} | {a:6.3f} | " + f"{np.mean(novp):10.3f} {np.mean(novn):8.3f} | {np.mean(sat):8.1%}") + if best is None or a > best[0]: + best = (a, n_kc, sp, rate) + + print(f"\nлучшее: AUC={best[0]:.3f} при n_kc={best[1]}, разрежённость={best[2]}, rate={best[3]}") + + +if __name__ == "__main__": + main() diff --git a/tools/validate_calibration.py b/tools/validate_calibration.py new file mode 100644 index 0000000..b479330 --- /dev/null +++ b/tools/validate_calibration.py @@ -0,0 +1,93 @@ +"""Сверка калибровки решётки по данным с паспортной таблицей каналов. + +Решение нигде не использует паспортные углы: решётка восстанавливается из самих +облаков точек. Но раз таблица из руководства есть, ею стоит воспользоваться как +**независимой проверкой** — совпадение показывает, что выпрямление образа и +оценка углов сделаны правильно, а не подогнаны. + + python tools/validate_calibration.py --bag data/for_hackathon/roundT_doubleT +""" +from __future__ import annotations + +import argparse +import csv + +import matplotlib +matplotlib.use("Agg") +import matplotlib.pyplot as plt # noqa: E402 +import numpy as np # noqa: E402 + +import _bootstrap as B # noqa: F401,E402 +from flyguard.bag import Bag, find_bags # noqa: E402 +from flyguard.retina import ScanLayout # noqa: E402 + +TABLE = B.PKG / "flyguard" / "data" / "pandar128_channels.csv" + + +def load_table() -> dict[str, np.ndarray]: + rows = list(csv.DictReader(open(TABLE, encoding="utf-8"))) + rows.sort(key=lambda r: int(r["channel"])) + return { + "elevation": np.array([float(r["elevation_deg"]) for r in rows]), + "az_offset": np.array([float(r["az_offset_deg"]) for r in rows]), + "max_range": np.array([float(r["max_range_10pct_m"]) for r in rows]), + "far_field": np.array([int(r["far_field"]) for r in rows], bool), + "high_res": np.array([int(r["high_res"]) for r in rows], bool), + } + + +def main() -> None: + ap = argparse.ArgumentParser(description=__doc__) + ap.add_argument("--bag", action="append") + ap.add_argument("--root", default=str(B.DATA / "for_hackathon")) + args = ap.parse_args() + + tab = load_table() + from pathlib import Path + bags = [Path(b) for b in args.bag] if args.bag else find_bags(args.root) + + fig, axes = plt.subplots(1, 3, figsize=(16, 4.6), dpi=110) + print(f"{'бэг':42s} {'ошибка элевации, °':>22s} {'ошибка сдвига, °':>20s}") + print("-" * 88) + for p in bags: + bag = Bag(p) + layout = ScanLayout.calibrate([pc for _, pc in bag.frames(start=2, stop=14)]) + # сдвиг канала в градусах = целочисленное выпрямление плюс остаток + meas_off = layout.col_shift * layout.az_step_deg + layout.az_resid_deg + meas_off = meas_off - np.median(meas_off) + np.median(tab["az_offset"]) + de = layout.el_deg - tab["elevation"] + da = meas_off - tab["az_offset"] + print(f"{p.name:42s} медиана {np.median(np.abs(de)):7.4f} макс {np.abs(de).max():7.4f}" + f" медиана {np.median(np.abs(da)):6.4f} макс {np.abs(da).max():6.4f}") + axes[0].plot(np.arange(128), de, lw=0.9, alpha=0.8, label=p.name[:18]) + axes[1].plot(np.arange(128), da, lw=0.9, alpha=0.8) + + axes[0].set_title("элевация: измерено − паспорт") + axes[0].set_xlabel("канал"); axes[0].set_ylabel("°") + axes[0].legend(fontsize=6) + axes[1].set_title("азимутальный сдвиг канала: измерено − паспорт") + axes[1].set_xlabel("канал"); axes[1].set_ylabel("°") + for ax in axes[:2]: + ax.axhline(0, color="k", lw=0.6) + ax.grid(alpha=0.2) + + ax = axes[2] + ax.plot(np.arange(128), tab["max_range"], lw=1.2, color="tab:blue") + ff = np.flatnonzero(tab["far_field"]) + ax.fill_between(ff, 0, 210, color="tab:orange", alpha=0.18, + label=f"дальнобойные каналы {ff.min()+1}–{ff.max()+1}") + hr = np.flatnonzero(tab["high_res"]) + ax.fill_between(hr, 0, 210, color="tab:green", alpha=0.10, + label=f"высокое разрешение {hr.min()+1}–{hr.max()+1}") + ax.set_title("паспортная дальность канала при 10 % отражения") + ax.set_xlabel("канал"); ax.set_ylabel("м") + ax.legend(fontsize=7); ax.grid(alpha=0.2) + + B.FIGURES.mkdir(parents=True, exist_ok=True) + out = B.FIGURES / "calibration_vs_datasheet.png" + fig.tight_layout(); fig.savefig(out) + print("\nсохранено:", out) + + +if __name__ == "__main__": + main()