Когда дом построен и сдан, начинается новая жизнь. Теперь за двор отвечает управляющая компания. И ее работа напрямую влияет на то, довольны ли жители. Свободные парковки, чистота, возможность проехать скорой — все это влияет на NPS (оценку удовлетворенности жильцов).
Основатель стартапа «НКБТех», частью которого является проект «Мониторинг придомовой территории», Александр Неварко рассказал Науке Mail, как проект поможет в решении этой задачи.
Как все начиналось
Идея появилась, когда я работал в «Самолете». Практически для любого жилого комплекса с многоквартирными домами стоит проблема доступности парковочных мест, отслеживания качества выполнения работ по уборке снега, вывоза мусора, перекрытия движения для экстренных служб. Многие из этих факторов влияют на метрику удовлетворенности жителей (NPS), которая является ключевым KPI для УК.
В одном ЖК были постоянные проблемы с парковками. Тем, кто занимался видеоаналитикой, хорошо известны проблемы масштабирования. Чем больше камер — тем больше дорогих вычислительных ресурсов нужно вдобавок к технически сложной работе по оптимизации. Да и установка камер влечет за собой работы по проведению коммуникаций, что при большом количестве камер растет пропорционально и может стать серьезной статьей бюджета. Поэтому в идеале нужно было придумать такую модель расположения камер, которая охватывала бы максимум площади с минимальными вложениями.
Мы решили повесить камеры под крышами домов, а потом собрать из их изображений единую «карту сверху», как будто бы снимок с дрона. Получилась красивая панорама всего двора в высоком разрешении. Такой подход оказался практичным: не нужно городить столбы или запускать дроны, достаточно правильно расставить камеры. В пилоте мы покрыли 7 гектаров всего 12 камерами.
Что видим сверху?
На видео люди, машины, снег. Сверху видно все. Камеры были установлены так, чтобы человек был виден как минимум на 15 пикселей. Этого хватит, чтобы в будущем отличать дворников от обычных прохожих.
Чтобы получить «плоскую» картинку без искажений, пришлось откалибровать каждую камеру. Для этого снимали шахматную доску, выстраивали параметры, убирали эффект «рыбьего глаза».
Как мы «склеили» весь двор
Нужно было собрать снимки с разных камер в одну большую панораму. Для этого использовали алгоритмы репроекции. Они давно применяются, например, в автобусах для обзора на парковке. Мы задавали соответствие между точками на фото и реальными координатами — углы зданий, разметка, фонари.
Сначала использовали спутниковые карты, потом получили строительный план, и точность сильно выросла.
Первые инсайты
Мы записали недельный таймлапс жизни ЖК. Стало ясно, что большинство машин не двигаются. Так мы нашли «автохлам»: машины, занявшие место навсегда. Это дало идеи и для УК, и для проектировщиков.
Найти свободное место в один клик
Жители получают в telegram карту двора, где свободные места зеленые, занятые красные. Сначала мы просто размечали парковки прямоугольниками и проверяли, заняты они или нет. Это работало неплохо: точность нейросети составляла 98%.
Но появились нестандартные случаи — машины, стоящие по диагонали или вообще не по правилам. Так как парковочные места в большинстве своем размечены на дороге, я предложил довольно простое решение. Разметим на получившейся картинке прямоугольниками парковочные места. Далее на каждом снимке будем вырезать прямоугольники и подавать их в нейросетевой классификатор, который будет предсказывать, занято это место или нет.
Вторая версия: умнее и гибче
Мы добавили детектор машин. Использовали YOLOv8, модель, которая может находить машины и определять их угол. Обучали на открытом датасете EVD4UAV (съемка с дронов, 245 тыс. размеченных машин) и немного добавили собственных данных. Теперь система понимает, где стоят машины, где еще есть место, и показывает это на карте.
Но не все так гладко
Ночью модель работала хуже: темные машины терялись. Поэтому мы решили оставить обе версии. Простая работает стабильнее ночью, а продвинутая днем.
Что получилось
Система работает внутри докера (инструмент, который упаковывает приложение и все нужное для его работы в удобный «контейнер», чтобы оно запускалось одинаково в любой среде): один сервис делает снимки, второй отдает их пользователям через телеграм-бота. Картинки обновляются каждые 30 секунд. Пользователю предоставляются только актуальные данные.
Что дальше?
Проект получил положительный фидбэк от жителей. Согласно опросам, система может экономить до 15 минут времени на парковку. Сейчас проект может служить основой и для других функций, например, оценки уборки снега или контроля проезда экстренных служб. А главное, таких данных «с высоты» у УК раньше просто не было.