При участии ЛЭТИ разработана интеллектуальная платформа цифровых двойников для мониторинга безопасности объектов метрополитена

Цифровой двойник (ЦД) – это комплексная цифровая модель реального объекта, которая поддерживает ситуационное моделирование и симуляцию для анализа состояния инфраструктуры в прошлом, настоящем и будущем. В условиях метрополитена, где цена ошибки критически высока, ЦД становится важнейшим инструментом для непрерывного мониторинга и управления сложными инженерными системами.

Особую ценность ЦД представляет при возникновении чрезвычайных ситуаций, таких как угроза пожара или взрыва. Она позволяет координировать действия персонала и дистанционно активировать системы пожаротушения. Точное моделирование помогает минимизировать не только человеческие жертвы, но и колоссальные экономические потери, предотвращая необоснованное срабатывание систем тушения, которое само по себе способно уничтожить дорогостоящее оборудование и конструкции.

Однако создание полноценных ЦД для метрополитена сталкивается с рядом серьезных проблем: существующие решения не способны оперативно обрабатывать мультимедийные данные с камер и датчиков (в частности, задымления), не поддерживают мобильные IoT-платформы и распределенные облачные вычисления, что значительно замедляет реакцию на инциденты. Основные барьеры кроются в архитектурной сложности метро, высокой динамичности процессов, огромных объемах телеметрии и слабой проработке ИИ-инструментов для экстренных случаев.

По этой причине важно создавать ЦД метро, способный в реальном времени анализировать видео- и аудиоданные, а также данные с различных датчиков, непрерывно получаемые от объектов метрополитена. Кроме того, важно, чтобы инструмент мог учитывать взаимосвязи между станциями и влияния событий, происходящих на одной или нескольких станциях. Это поможет в бесконтактном управлении системой операторами и мгновенно получать аналитику для молниеносного принятия решений.

«Мы разработали комплексную систему цифровых двойников для метрополитена, – в частности, петербургского –, которая объединяет виртуальные модели отдельных станций в единую сеть. Система в реальном времени анализирует аудио- и видеопотоки и данные с датчиков, используя нейросети для точного распознавания чрезвычайных ситуаций, таких как пожары, затопления, поломки оборудования. Благодаря применению так называемых туманных вычислений данные обрабатываются за 22 миллисекунды, что в 8 раз быстрее облачных решений. Это позволит персоналу и службам поддержки мгновенно получать информацию об инцидентах не только на своей станции, но и на соседних, обеспечивая скоординированное реагирование и предотвращая обострения происшествий».

Сначала исследователи спроектировали двухуровневую архитектуру, объединив цифровые двойники отдельных станций в единую сеть метрополитена (например, петербургского), чтобы информация о происшествиях мгновенно передавалась на соседние объекты. Затем они создали специализированную программную платформу с библиотекой готовых элементов инфраструктуры (от рельсов и эскалаторов до вестибюлей), что позволило собирать виртуальные модели по принципу конструктора буквально за считанные минуты.

Для минимизации задержек они сделали развертывание серверной инфраструктуры на базе туманных вычислений, которые размещают вычислительные ресурсы, обеспечивают обработку и хранение данных на промежуточном слое между конечными устройствами (датчиками, камерами) и удаленным централизованным облаком. Следующим шагом стало обучение нейросети на массиве из тысяч размеченных кадров для высокоточного распознавания угроз. После этого было разработано мобильное приложение, которое автоматически определяет геолокацию оператора и выводит на экран актуальную 2D- или 3D-модель станции с наложением данных о событиях.

Для ускорения работы ученые интегрировали в систему голосового ИИ-помощника, способного функционировать в условиях сильного подземного шума, устно описывать инциденты и предлагать алгоритмы действий. На завершающем этапе исследователи провели серию симуляционных испытаний, сравнив свою разработку с существующими отраслевыми аналогами. Результаты показали, что комплексное внедрение нового решения сокращает время реагирования персонала на пожары, затопления и обрушения в среднем на 17,4%.

Система уже готова к внедрению: мобильное приложение для операторов позволяет отображать события на 2D/3D-моделях станций, поддерживать голосовое управление и автоматически масштабируется при обнаружении инцидентов.

«Предложенное решение применимо не только к системам метрополитена, но и для построения моделей других объектов общественного транспорта: автобусных депо, троллейбусов, трамваев и объектов, связанных с другой сетевой инфраструктурой, таких как речной транспорт и железнодорожные перевозки в целом, т.е. там, где необходимо повысить эффективность работы персонала пассажирских компаний».

В ближайших планах у исследователей – улучшение работы системы в условиях высокого шума метрополитена, расширение библиотеки стандартных элементов (объектов) для быстрого моделирования новых станций.

Работа выполнена при поддержке государственного бюджета (проект № FFZF-2025-0019).  Результаты опубликованы в научном журнале Results in Engineering (Q1).