Росдорнии_2025_3D Road____

1.

Анализ экономической
эффективности внедрения MLрешения "3D-Road" в процессы
камеральной обработки
пространственных данных
Семехин Алексей Сергеевич
Начальник отделения по сбору и обработки
пространственных данных
Сибирский филиал ФАУ «РОСДОРНИИ»

2. Содержание

СОДЕРЖАНИЕ
1
Технический учет и паспортизация, анализ рынка
2
Предлагаемое решение: Система "3D-Road" на основе ИИ
3
Уникальное ценностное предложение и технология
4
Перспективы использования
2

3. Технический учет и паспортизация: Сложный регламентированный процесс

ТЕХНИЧЕСКИЙ УЧЕТ И ПАСПОРТИЗАЦИЯ:
СЛОЖНЫЙ РЕГЛАМЕНТИРОВАННЫЙ ПРОЦЕСС
Требует сбора и обработки сотен параметров, что делает его идеальным «кандидатом» для автоматизации.
Текущая ситуация:
Скорость полевых работ (МЛС): от ~10 км/день
Скорость камеральной обработки (ручная): 0.2 - 2.0
км/день (в зависимости от сложности объекта)
Вывод:
Камеральные работы отстают от полевых работ в 5-50 раз.
Это главное ограничение для масштабирования и соблюдения
сроков.
Прямые последствия:
1. Длительные сроки исполнения контрактов.
2. Высокая себестоимость из-за большого объема ручного
труда.
3. Невозможность брать больше проектов без резкого
увеличения штата или выполнение работ подрядной
организацией
3

4. Статистический анализ данных по закупкам

СТАТИСТИЧЕСКИЙ АНАЛИЗ ДАННЫХ ПО ЗАКУПКАМ
Средний процент снижения цены составляет около 40%
Виды работ Сибирский Федеральный округ
Типовой срок исполнения контрактов от 6 до 9 месяцев
(сбор и обработка данных автомобильной дороги):
Паспортизация: 66,7 % самый востребованный вид работ
по сбору и обработки пространственных данных 66,7%
Разработка ПОДД: 57,1% часто в паре с паспортизацией
Диагностика АД: 42,9% часто является частью комплекса
работ по паспортизации (как самостоятельный вид работ
здесь не рассматривается)
Мобильное лазерное сканирование
современная и дорогая технология
(МЛС):
28,6%
Диагностика ИС: 19% специализированный вид работ для
мостов и путепроводов
Инженерно-геодезические изыскания: 19% требуются для
проектных работ( в комплексе с другими инженерными
изысканиями)
4
Программный комплекс/БД: 33% заказчик хочет не просто
документы, а цифровые продукты и базы данных
Преимущество по 44-ФЗ (ст. 30, ч.3) применяется в ~71%
Средняя стоимость за 1 км ~39 500 руб./км (стоимость сильно
зависит от состава работ)
Медианная стоимость 1 км: ~ 13 350 руб.
Расчет сроков и себестоимости:
-амортизации оборудования (200 – 300 тыс. руб./мес.);
-сроков исполнения контракта (6 – 9 мес.);
-накладных расходов и з.п. специалистов
Трудозатраты камеральщика (ручная векторизация):
Объем: 100 км
Норматив: 0.5 км/день (усреднено)
Требуемое время: 200 чел./дней
Затраты на ФОТ: 200 дн. * (90 000 руб. / 22 р.д.) ≈ 818,000 руб.
Медианной цены контракта (100 км.): ~ 1,335 млн. руб.
Использование лазерного сканирования и «ручной»
камеральной обработки пространственных данных становится
не выгодным

5. Предлагаемое решение: Система "3D-Road" на основе ИИ

ПРЕДЛАГАЕМОЕ РЕШЕНИЕ: СИСТЕМА "3D-ROAD" НА ОСНОВЕ ИИ
Автоматическая векторизация объектов
дорожной инфраструктуры (знаки, опоры,
ограждения) из облаков точек МЛС с
помощью искусственного интеллекта.
Ключевые метрики решения:
Сокращение трудозатрат на векторизацию: до 80%
Точность детекции (Precision): до 95% (на тестовых
данных)
Готовый экспорт в ГИС — исключается этап ручного
переноса данных.
Веб –интерфейс, в тестовом режиме, доступен по ссылке:
http://89.169.181.148:8501/
5

6. Расчет экономического эффекта после внедрения (проект 100 км)

РАСЧЕТ ЭКОНОМИЧЕСКОГО ЭФФЕКТА ПОСЛЕ ВНЕДРЕНИЯ (ПРОЕКТ 100 КМ)
Показатель
До внедрения (Ручная работа)
После внедрения ИИ
(детекция около 400
объектов АД)
6
Показатель
Скорость обработки
0.2 - 2.0 км/чел-день
1 - 10 км/чел-день
Ускорение в 5 раз
Затраты на ФОТ
(100 км)
~818 тыс. руб.
~164 тыс. руб.
Экономия ~654 тыс. руб.
Срок
камеральной
обработки(100 км)
~200 дней
~40 дней
Сокращение в 5 раз
Влияние
человеческого
фактора
Высокое
Минимальное
Повышение качества

7. Уникальное ценностное предложение и технология

УНИКАЛЬНОЕ ЦЕННОСТНОЕ ПРЕДЛОЖЕНИЕ И ТЕХНОЛОГИЯ
Система "3D-Road" на основе ИИ, единственное на Российском
рынке решение, которое из облака точек LAS автоматически
извлекает геопривязанные объекты дорожного сервиса с
точностью до нескольких сантиметров и готовым экспортом в ГИС,
сокращая трудозатраты на 80%.
На сегодняшний день, эта система уникальна, но упустить развитие
автоматизации высокоточного пространственного определения
объектов сегодня - это зависеть от импортных технологий завтра
Открытая API-архитектура: Возможность интеграции с внешними
системами (государственные ГИС, в том числе СКДФ)
В основе — ансамбль ML-моделей. Инновационность — в
комбинации методов кластеризации (DBSCAN) для поиска
объектов и кастомного классификатора (Random Forest),
обученного на 500+ размеченных объектах с использованием 59
признаков, включая геометрию, цвет (RGB) и интенсивность
отражения.
7
Прогресс на сегодня:
✅ Разработан и развернут в тестовом режиме, работающий MVP
(веб-сервис на Streamlit) http://89.169.181.148:8501/
✅ Разработана, протестирована технология создания модели
обучения ИИ
✅ Модель осуществляет предсказание
Дорожного знака (6.13- километровый знак)
⚠ Выявлена проблема: низкая уверенность (0.3-0.33) и ложные
срабатывания на реальных данных, не входящих в обучающую
выборку.
Задачи на полноценное внедрение:
Осуществить распознавание модели всех объектов дорожного
сервиса процесс трудозатратный, однако для сокращения рабочего
времени камеральной обработки может быть поэтапным. На
первом этапе, распознавания ключевых элементов АД (20-50
элементов), при трудозатратах (2000 чел./часов), модель с
детекцией ключевых элементов АД, должна быть закончена в
течении одного года.

8. Конкурентный анализ

КОНКУРЕНТНЫЙ АНАЛИЗ
8
Основные конкуренты
IndorRoad
КРЕДО 3D СКАН
RUMAP
3D-Road
Распознавание
Панорамное
видео
Фотоизображение +
Облако точек
Фотоизображение
Облако точек
Точность, ≤ 1 м
Да
Да
нет
Да
Предсказательная
способность модели
около 60-80%
(процесс занимает
несколько часов
при достаточном
объеме ОЗУ)
до 80%
(не все знаки ПДД,
требуется
подключение
видеокарты)
(только при доп.
обработке)
95%
(в несколько кликов,
на удаленном
сервере)
Интеграция с другими
ГИС
возможна,
без сохранения
атрибутивной
информации
возможна,
сложная система
импорта данных
-
возможна
(широкий спектр
форматов данных)

9. Перспективы использования

ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ
9
"Дорожная карта развития "3D-Road": от детекции к цифровому двойнику"
Этап 1: Базовая автоматизация
Что делает: Автоматическое обнаружение и векторизация ключевых точечных и линейных объектов.
Объекты: Дорожные знаки, опоры освещения, сигнальные столбики, ограждения.
Результат: Снижение трудозатрат на 80% на основном объеме работ.
Этап 2: Расширенная детекция и семантическое понимание (Ближайшая перспектива)
Что делает: Распознавание сложных и площадных объектов, определение их состояния.
Объекты: Автоматическое выделение проезжей части, обочин, дефектов (колея, выбоины, трещины).
Определение повреждений знаков, деформаций опор, износа ограждений.
Оценка состояния:
Этап 3: Интеллектуальный анализ и прогнозирование (Стратегическая цель)
Что делает: Превращение данных в прогнозы и сценарии.
Расчет объемов: Автоматический подсчет объемов выемки/насыпи, площади покрытия.
Контроль качества: Сравнение проектных данных с фактическими.
Прогнозное моделирование: Прогнозирование износа дорожного полотна на основе анализа данных за несколько периодов.

10.

10
Спасибо за внимание