ПНСТ 1055-2026. Предварительный национальный стандарт Российской Федерации. Системы искусственного интеллекта на автомобильном транспорте. Анализ качества дорожного покрытия. Общие положения

(утв. и введен в действие Приказом Росстандарта от 11.03.2026 № 12-пнст)

Срок действия

до 15 июня 2029 года

Предисловие

1 РАЗРАБОТАН Федеральным государственным бюджетным учреждением «Российский институт стандартизации» (ФГБУ «Институт стандартизации»), Федеральным государственным бюджетным образовательным учреждением высшего образования «Сибирский государственный автомобильно-дорожный университет» (ФГБОУ ВО «СибАДИ»)

2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 «Искусственный интеллект»

3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 11 марта 2026 г. № 12-пнст

Правила применения настоящего стандарта и проведения его мониторинга установлены в ГОСТ Р 1.16-2011 (разделы 5 и 6).

Федеральное агентство по техническому регулированию и метрологии собирает сведения о практическом применении настоящего стандарта. Данные сведения, а также замечания и предложения по содержанию стандарта можно направить не позднее чем за 4 мес до истечения срока его действия разработчику настоящего стандарта по адресу: 644080 Омск, пр. Мира, д. 5 и/или в Федеральное агентство по техническому регулированию и метрологии по адресу: 123112 Москва, Пресненская набережная, д. 10, стр. 2.

В случае отмены настоящего стандарта соответствующая информация будет опубликована в ежемесячном информационном указателе «Национальные стандарты» и также будет размещена на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)

Введение

Настоящий стандарт устанавливает единые требования к разработке, внедрению и оценке автоматизированных систем, применяющих системы искусственного интеллекта для распознавания дефектов и анализа качества усовершенствованных покрытий дорожных одежд автомобильных дорог.

Настоящий стандарт входит в семейство стандартов, посвященных применению искусственного интеллекта на автомобильном транспорте, и устанавливает общие положения, основные понятия и принципы организации процессов анализа качества усовершенствованного дорожного покрытия с использованием систем искусственного интеллекта. Стандарт унифицирует терминологию, определяет общую архитектуру и классифицирует решаемые задачи, а также устанавливает общие требования: к исходным данным и обучению моделей, включая создание семантической онтологии дефектов и формирование репрезентативных наборов данных; к конфигурации программно-аппаратных комплексов, обеспечивающих обработку данных в реальном времени; к системам критериев и метрик для оценки качества работы алгоритмов (классификация, сегментация, расчет геометрии, пространственная привязка); к методам контроля и тестирования для верификации заявленных характеристик системы; по обеспечению информационной безопасности на протяжении всего жизненного цикла системы.

Применение настоящего стандарта будет способствовать развитию отечественных технологий, повышению качества и безопасности дорожной инфраструктуры, а также облегчит взаимодействие между разработчиками систем искусственного интеллекта, производителями транспортных средств, дорожными службами и органами управления.

1 Область применения

Настоящий стандарт распространяется на системы искусственного интеллекта, функционирующие на автомобильном транспорте и предназначенные для анализа качества дорожного усовершенствованного покрытия в процессе движения.

Стандарт устанавливает общие положения, основные понятия, классификацию задач и общие требования к организации процессов анализа, включая требования к исходным данным и результатам оценки.

Настоящий стандарт предназначен для применения на всех этапах жизненного цикла объектов дорожной инфраструктуры: от ввода в эксплуатацию, в процессе эксплуатации, включая мониторинг технического состояния, планирование работ по содержанию и ремонту, до вывода из эксплуатации и ликвидации с использованием специализированных программно-аппаратных комплексов.

Стандарт предназначен для применения организациями-разработчиками систем искусственного интеллекта, производителями автомобильной техники, эксплуатантами транспортных средств, а также предприятиями и организациями, осуществляющими деятельность в сфере содержания и развития дорожной инфраструктуры.

2 Нормативные ссылки

В настоящем стандарте использованы нормативные ссылки на следующие документы:

ГОСТ 19.101 Единая система программной документации. Виды программ и программных документов

ГОСТ 27.301 Надежность в технике. Расчет надежности. Основные положения

ГОСТ 34.201 Информационные технологии. Комплекс стандартов на автоматизированные системы. Виды, комплектность и обозначение документов при создании автоматизированных систем

ГОСТ 32729 Дороги автомобильные общего пользования. Метод измерения упругого прогиба нежестких дорожных одежд для определения прочности

ГОСТ 32825 Дороги автомобильные общего пользования. Дорожные покрытия. Методы измерения геометрических размеров повреждений

ГОСТ 33078 Дороги автомобильные общего пользования. Методы измерения сцепления колеса автомобиля с покрытием

ГОСТ 33101 Дороги автомобильные общего пользования. Покрытия дорожные. Методы измерения ровности

ГОСТ 33220 Дороги автомобильные общего пользования. Требования к эксплуатационному состоянию

ГОСТ 33388 Дороги автомобильные общего пользования. Требования к проведению диагностики и паспортизации

ГОСТ IEC 60825-1 Безопасность лазерной аппаратуры. Часть 1. Классификация оборудования и требования

ГОСТ Р 2.601 Единая система конструкторской документации. Эксплуатационные документы

ГОСТ Р 8.000 Государственная система обеспечения единства измерений. Общие положения

ГОСТ Р 27.102 Надежность в технике. Надежность объекта. Термины и определения

ГОСТ Р 34.12 Информационная технология. Криптографическая защита информации. Блочные шифры

ГОСТ Р 34.13 Информационная технология. Криптографическая защита информации. Режимы работы блочных шифров

ГОСТ Р 50597-2017 Дороги автомобильные и улицы. Требования к эксплуатационному состоянию, допустимому по условиям обеспечения безопасности дорожного движения. Методы контроля

ГОСТ Р 50739 Средства вычислительной техники. Защита от несанкционированного доступа к информации. Общие технические требования

ГОСТ Р 51583 Защита информации. Порядок создания автоматизированных систем в защищенном исполнении. Общие положения

ГОСТ Р 52023 Сети распределительные систем кабельного телевидения. Основные параметры. Технические требования. Методы измерений и испытаний

ГОСТ Р 52931 Приборы контроля и регулирования технологических процессов. Общие технические условия

ГОСТ Р 56546 Защита информации. Уязвимости информационных систем. Классификация уязвимостей информационных систем

ГОСТ Р 56939 Защита информации. Разработка безопасного программного обеспечения. Общие требования

ГОСТ Р 57773 (ИСО 19157:2013) Пространственные данные. Качество данных

ГОСТ Р 58973 Оценка соответствия. Правила к оформлению протоколов испытаний

ГОСТ Р 59120 Дороги автомобильные общего пользования. Дорожная одежда. Общие требования

ГОСТ Р 59276 Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения

ГОСТ Р 59793 Информационные технологии. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания

ГОСТ Р 59853 Информационные технологии. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Термины и определения

ГОСТ Р 59918 Дороги автомобильные общего пользования. Нежесткие дорожные одежды. Методики оценки прочности

ГОСТ Р 70689 Дороги автомобильные общего пользования. Лазерное сканирование. Общие требования к проведению работ

ГОСТ Р 70690 Дороги автомобильные общего пользования. Лазерное сканирование. Требования к данным лазерного сканирования на различных этапах жизненного цикла автомобильной дороги

ГОСТ Р 71484.3 (ИСО/МЭК 5259-3:2024) Искусственный интеллект. Качество данных для аналитики и машинного обучения. Часть 3. Требования и рекомендации по управлению качеством данных

ГОСТ Р ИСО 5725-1 Точность (правильность и прецизионность) методов и результатов измерений. Часть 1. Основные положения и определения

СП 34.13330 «СНиП 2.05.02-85* Автомобильные дороги»

СП 47.13330 «СНиП 11-02-96 Инженерные изыскания для строительства. Основные положения»

СП 78.13330 «СНиП 3.06.03-85 Автомобильные дороги»

Примечание - При пользовании настоящим стандартом целесообразно проверить действие ссылочных стандартов (сводов правил) в информационной системе общего пользования — на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет или по ежегодному информационному указателю «Национальные стандарты», который опубликован по состоянию на 1 января текущего года, и по выпускам ежемесячного информационного указателя «Национальные стандарты» за текущий год. Если заменен ссылочный документ, на который дана недатированная ссылка, то рекомендуется использовать действующую версию этого документа с учетом всех внесенных в данную версию изменений. Если заменен ссылочный документ, на который дана датированная ссылка, то рекомендуется использовать версию этого документа с указанным выше годом утверждения (принятия). Если после утверждения настоящего стандарта в ссылочный документ, на который дана датированная ссылка, внесено изменение, затрагивающее положение, на которое дана ссылка, то это положение рекомендуется применять без учета данного изменения. Если ссылочный документ отменен без замены, то положение, в котором дана ссылка на него, рекомендуется применять в части, не затрагивающей эту ссылку. Сведения о действии сводов правил целесообразно проверить в Федеральном информационном фонде стандартов.

3 Термины и определения

В настоящем стандарте применены следующие термины с соответствующими определениями: 3.1 атака с внедрением вредоносного кода: Атака на информационную систему, при которой злоумышленник вводит вредоносный код или команды в системы через уязвимые точки ввода данных с целью изменения ее поведения и получения несанкционированного доступа к данным или ресурсам системы. Примечание — Основные виды инъекционных атак включают SQL-инъекции, инъекции команд операционной системы и инъекции скриптов. Также используется термин «инъекционная атака», в том числе см. [1] <1> (УБИ.006).

[ГОСТ Р 71844-2024, пункт 3.5]

-------------------------------- <1> Банк данных угроз безопасности информации/Федеральная служба по техническому и экспортному контролю (ФСТЭК России), Государственный научно-исследовательский испытательный институт проблем технической защиты информации (ФАУ «ГНИИИ ПТЗИ ФСТЭК России»). URL: https://bdu.fstec.ru/threat/.

3.2

дефект: Несоответствие транспортно-эксплуатационных показателей конструктивных элементов дорог и улиц, дорожных сооружений и элементов обустройства требованиям настоящего стандарта.

3.3

дорожное покрытие: Верхняя часть дорожной одежды, устраиваемая на дорожном основании, непосредственно воспринимающая нагрузки от транспортных средств и предназначенная для обеспечения заданных эксплуатационных требований и защиты дорожного основания от воздействия погодно-климатических факторов. [ГОСТ 32825-2014, пункт 3.9]

3.4 заказчик: Юридическое или физическое лицо, принявшее решение о необходимости создания, приобретения или использования системы искусственного интеллекта для анализа качества дорожного покрытия и осуществляющее финансирование и/или организацию работ.

3.5 измерительный комплекс: Совокупность технических средств (оборудования), установленных на транспортном средстве или стационарно, предназначенных для сбора исходных данных о состоянии дорожного покрытия.

3.6

искусственный интеллект, ИИ: Способность технической системы имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека. ГОСТ Р 59276-2020, [пункт 3.6]

3.7 качество дорожного покрытия: Совокупность характеристик дорожного покрытия, определяющих его способность обеспечивать безопасное и комфортное движение транспортного средства с проектными скоростями и нагрузками в течение установленного срока службы.

3.8 метрика F1: Метрика качества классификации, которая представляет собой гармоническое среднее между точностью (precision) и полнотой (recall).

Примечания

1 Метрику F1 рассчитывают по формуле

F1 - score = \frac{2 \cdot (precision \cdot recall)}{(precision + recall)} . (1)

2 Значения метрики F1 находятся в диапазоне от 0 до 1 (или от 0% до 100%). Чем ближе значение метрики F1 к 1, тем лучше модель справляется с задачей классификации. Если значение метрики F1 равно 0, то это означает, что модель полностью не справляется с задачей классификации.

3.9 модальность данных: Тип данных, определяемый физическим принципом работы измерительного оборудования.

Пример - Оптические изображения, данные лазерного сканирования, инерциальные данные.

3.10 мультиклассовая классификация: Задача классификации, в которой каждый объект (экземпляр данных) должен быть отнесен к одному из трех или более заранее определенных классов.

Примечания

1 В настоящем стандарте под объектом понимается выявленный дефект дорожного покрытия, а под классами — типы дефектов, установленные в ГОСТ Р 50597-2017 (таблица А.1) и [1] (таблица 4.5), такие как «продольная трещина», «выбоина», «колейность», «шелушение» и др.

2 Мультиклассовая классификация противопоставляется бинарной классификации, где объекты распределяются только по двум классам.

3.11 полнота: Показатель качества алгоритма классификации, определяемый как отношение числа истинно положительных результатов классификации к суммарному числу объектов, действительно принадлежащих к целевому классу.

3.12

программное обеспечение автоматизированной системы; программное обеспечение АС: Совокупность программ и программных документов, предназначенная для отладки, функционирования и проверки работоспособности АС. ГОСТ Р 59853-2021, [статья 62]

3.13 синхронизация данных: Процесс привязки данных, полученных от различных сенсоров, к единой временной шкале и системе координат.

3.14

состязательная атака: Применение состязательного примера путем подачи его на вход системы искусственного интеллекта с целью отказа системы искусственного интеллекта.

Примечание - Обычно применяется к моделям искусственного интеллекта в форме нейронной сети.

ГОСТ Р 59921.7-2022, [пункт 3.12] 3.15 разработчик: Юридическое или физическое лицо, осуществляющее деятельность по созданию (разработке) системы искусственного интеллекта для анализа качества дорожного покрытия, включая проектирование, программирование, обучение моделей, тестирование и поставку системы. 3.16 рекуррентная нейронная сеть; РНС: Архитектура нейронной сети, предназначенная для обработки последовательностей данных, в которой связи между узлами образуют ориентированный граф вдоль временной последовательности, что позволяет ей проявлять временное динамическое поведение. Примечание — Для анализа дорожного покрытия могут применяться специализированные архитектуры РНС, такие как сети с долгой краткосрочной памятью (LSTM — Long Short-Term Memory) и управляемые рекуррентные блоки (GRU — Gated Recurrent Unit), для обработки последовательностей данных, получаемых при движении измерительного комплекса (например, инерциальные данные, видеопоток), и выявления временных зависимостей в деградации покрытия.

3.17 точность: Показатель качества алгоритма классификации, определяемый как отношение количества истинно положительных результатов классификации к суммарному количеству положительных результатов, выделенных алгоритмом.

3.18

эксплуатационное состояние дороги: Состояние дороги, которое характеризуется транспортно-эксплуатационными показателями конструктивных элементов дорог, дорожных сооружений и элементов обустройства, изменяющихся при ее эксплуатации, воздействии транспортных средств и метеорологических условий. [ГОСТ 33220-2015, пункт 3.4]

3.19 эксплуатирующая организация: Юридическое или физическое лицо, осуществляющее деятельность по использованию, техническому обслуживанию, сопровождению и применению системы искусственного интеллекта для анализа качества дорожного покрытия в соответствии с целями ее создания.

Примечание - В зависимости от конкретной организационно-правовой модели, роли заказчика, разработчика и эксплуатирующей организации могут выполняться как разными, так и одним юридическим лицом.

3.20 эталонный каталог дефектов: Нормативный или методический документ, содержащий унифицированную номенклатуру дефектов дорожного покрытия, их однозначные определения, визуальные примеры (фотографии, 3D-модели, данные лазерного сканирования) для различных условий и ракурсов, а также описание диагностических признаков и правил отличия от сходных объектов-помех.

4 Сокращения

В настоящем стандарте применены следующие обозначения и сокращения:

АС — автоматизированная система;

МСК — местная система координат;

НСД — несанкционированный доступ;

ОЗУ — оперативное запоминающее устройство;

ПАК — программно-аппаратный комплекс;

ПО — программное обеспечение;

СЗИ — средство защиты информации;

СИИ — система искусственного интеллекта;

СКЗИ — средства криптографической защиты информации;

ТП — тензорный процессор;

ФСБ — Федеральная служба безопасности;

ФСТЭК — Федеральная служба по техническому и экспортному контролю;

ЦОД — центр обработки данных;

AP — средняя точность;

API — интерфейс программирования приложения;

BA — точность определения границ;

BIoU — метрики, оценивающие точность контура дефекта;

CNN — сверхточные нейронные сети;

CPU — центральный процессор;

FNR — частота ложноотрицательных срабатываний;

FPR — частота ложноположительных срабатываний;

GPU — графический процессор;

HDR — высокий динамический диапазон;

IMU — инерциальный измерительный блок;

IoU — основная метрика качества границ;

MAE — средняя абсолютная ошибка;

mAP — среднее значение AP по всем классам;

mIoU — интегральный показатель качества сегментации;

OOD — объектно-ориентированное проектирование;

RMSE — среднеквадратическое отклонение [вычисляется как квадратный корень из среднеквадратической ошибки (MSE). Используется для оценки точности измерений, имеет размерность исходной величины];

RTK — высокоточное позиционирование в реальном времени;

RTK-GPS — высокоточная технология коррекции GPS-сигналов в реальном времени.

5 Общие требования

5.1 Анализ качества дорожного усовершенствованного покрытия может выполняться с применением специализированных технических систем, в структуру которых встроены одна или несколько СИИ, основной задачей которых является формирование конечных результатов, таких как знания, прогнозы, рекомендации или решения для заданного набора определенных человеком целей.

5.2 Классификация дефектов усовершенствованных покрытий автомобильных дорог должна осуществляться в соответствии с ГОСТ Р 50597-2017 (таблица А.1), а также в соответствии с [1] (таблица 4.5). Номенклатура классов, используемая в СИИ, должна быть идентична номенклатуре, приведенной в указанных документах. Конфигурация системы должна обеспечивать техническую возможность реализации данной классификации.

5.3 Требования к исходному качеству закладываются на этапе проектирования по соответствующим СП 78.13330, СП 34.13330, ГОСТ Р 50597 и ГОСТ Р 59120 на материалы и конструкции нежестких дорожных одежд.

5.4 Оценка качества дорожного покрытия автомобильных дорог с усовершенствованным покрытием и классификация дефектов должны осуществляться в соответствии с нормативными документами, регламентирующими:

• методы измерения ровности по ГОСТ 33101;
• методы измерения геометрических размеров повреждений по ГОСТ 32825;
• методы изменения сцепления колеса автомобиля с покрытием по ГОСТ 33078;
• метод измерения упругого прогиба нежестких дорожных одежд для определения прочности по ГОСТ 32729 и ГОСТ Р 59918;
• требования к транспортно-эксплуатационному состоянию автомобильных дорог по ГОСТ 33220 и ГОСТ Р 50597;
• перечень дорожных данных, собираемых при разных видах диагностики автомобильных дорог по ГОСТ 33388 с учетом [1].

5.5 Эксплуатационная документация на АС (ПО, ПАК) должна содержать перечень классов дефектов дорожного покрытия, распознаваемых реализованными в СИИ, который должен полностью соответствовать номенклатуре, установленной в 5.2.

5.6 СИИ должна обладать обобщающей способностью, обеспечивающей устойчивое качество распознавания при анализе данных с новыми вариациями дефектов, характеристик дорожного покрытия и условий съемки, которые не были представлены в обучающем наборе данных. Эта способность должна подтверждаться испытаниями на независимом тестовом наборе данных, репрезентативном для условий целевой эксплуатационной области.

5.7 Сформированный набор данных для разработки СИИ должен быть разделен на обучающую, валидационную и тестовую выборки.

5.9 Обязательные количественные критерии качества систем искусственного интеллекта

Метрика	Обозначение	Требование к представлению в документации	Минимально допустимое значение (рекомендуемое) для критических классов <*>
Точность по классам	Precision	Значение для каждого класса	>= 0,93
Полнота по классам	Recall	Значение для каждого класса	>= 0,95 (для критических >= 0,98)
F1-мера по классам	F1-score	Значение для каждого класса	>= 0,94
AP по классам	AP@ IoU = 0,50	Площадь под PR-кривой при пороге IoU = 0,50	>= 0,94
	AP@ IoU = 0,50:0,95	Среднее AP по порогам IoU от 0,50 до 0,95 с шагом 0,05	>= 0,80
Интегральная AP	mAP@ IoU = 0,50	Среднее AP по всем классам	>= 0,95
	mAP@ IoU = 0,50:0,95	Среднее AP по всем классам и порогам IoU	>= 0,85
Частота ложноположительных срабатываний	FPR	По каждому классу, в особенности для классов с высокой стоимостью ложных срабатываний	<= 0,02
Частота ложноотрицательных срабатываний	FNR	По каждому классу, в особенности для опасных дефектов (выбоины глубиной > 50 мм, просадки)	<= 0,01 (для критических классов = 0)
AUC-ROC по классам	AUC-ROC	Площадь под ROC-кривой	>= 0,98
<*> Критические классы: выбоины, поперечные и продольные трещины шириной более 5 мм, сетка трещин, просадки, отслоения, шелушение при глубине дефекта более 40 мм.

Метрика	Обозначение	Требование к представлению	Минимально допустимое значение
Пересечение по объединению по классам	IoU	Среднее значение для каждого класса при пороге 0,50 и 0,75	>= 0,85 (при IoU >= 0,75)
Средний IoU по всем классам	mIoU	Интегральный показатель качества сегментации	>= 0,87
Точность границ	Boundary IoU (BIoU)	Среднее по классам	>= 0,80
Точность границ (расширенная)	Boundary Accuracy (BA +/- n px)	Точность контура в буфере +/- 2 пикселя и +/- 5 пикселей	>= 0,90 (+/- 2 px)
Коэффициент Дайса по классам	Dice Coefficient	Дополнительная метрика перекрытия	>= 0,90

5.9.3 Количественные критерии качества расчета геометрических параметров (длина, ширина, площадь, периметр, максимальная глубина, объем) для каждого релевантного класса дефектов приведены в таблице 5.3.

Геометрический параметр	Классы дефектов, для которых параметр является релевантным	Метрика	Допустимое значение (95% измерений)	Рекомендуемое значение
1 Длина	Продольные трещины, поперечные трещины, колейность, разрушения кромки	MAE	<= 10 мм	<= 5 мм
		RMSE	<= 15 мм	<= 8 мм
		Относительная ошибка	<= 5%	<= 3%
2 Ширина	Все трещины, выбоины, шелушение, отслоение	MAE	<= 5 мм	<= 3 мм
		RMSE	<= 8 мм	<= 5 мм
3 Площадь	Выбоины, сетка трещин, шелушение, отслоение, ремонтные карты	MAE	<= 0,005 м2	<= 0,002 м2
		Относительная ошибка	<= 7%	<= 4%
4 Периметр	Выбоины, ремонтные карты, зоны шелушения и отслоения	MAE	<= 50 мм	<= 30 мм
5 Максимальная глубина	Выбоины, просадки, колейность	MAE	<= 3 мм	<= 2 мм
		RMSE	<= 5 мм	<= 3 мм
		MaxAE	<= 8 мм	<= 5 мм
6 Объем (для выбоин и просадок)	Выбоины, просадки	Относительная ошибка	<= 10%	<= 7%
		MAE	<= 0,001 м3	<= 0,0005 м3
7 Глубина колеи	Колейность	MAE	<= 2 мм	<= 1,5 мм
		RMSE	<= 3 мм	<= 2 мм
Примечания 1 Для критических дефектов (выбоины и просадки глубиной более 50 мм) требования ужесточаются: MAE глубины <= 2 мм, RMSE <= 3 мм, MaxAE <= 5 мм. 2 Доля измерений, удовлетворяющих требованиям ГОСТ 32825 и ГОСТ Р 50597, должна составлять не менее 98%. 3 Все значения подтверждаются сравнением с эталонными измерениями, выполненными поверенными средствами (профилограф, лазерный сканер, геодезические инструменты).

Значения метрик в таблице 5.3 указываются:

• отдельно для каждого класса дефектов согласно ГОСТ Р 50597-2017 (таблица А.1), а также в соответствии с [1] (таблица 4.5);
• с доверительной вероятностью 95%;

5.9.4 Критерии качества пространственной привязки

Показатель	Обозначение	Допустимое значение (95% случаев)	Рекомендованное значение
1 Абсолютная горизонтальная точность (в плане), м	MAE (X, Y)/RMSE (X, Y)	<= 0,10/<= 0,15	<= 0,05
2 Абсолютная вертикальная точность (при наличии 3D-данных), м	MAE (Z)/RMSE (Z)	<= 0,05/<= 0,08	<= 0,03
3 Относительная точность между дефектами в пределах одного прогона, м	Relative Accuracy	<= 0,05	<= 0,03
4 Точность привязки к пикетажу/километражу дороги, м	Linear Positioning Error	<= 1,0	<= 0,5
5 Согласованность результатов между повторными прогонами (RMSE координат одного и того же дефекта), м	Repeatability (\sigma)	<= 0,10	<= 0,05
6 Угловая погрешность определения ориентации линейных дефектов (трещины, швы и др.), град.	Angular Error	<= 3	<= 2
Примечания 1 Значения пунктов 1 и 2 определяются относительно эталонных данных, полученных с использованием RTK-GPS/ГЛОНАСС или высокоточной геодезической съемки. 2 Для систем, использующих только 2D-данные (без лидара), требования пункта 2 не применяются, но должно быть явно указано отсутствие оценки вертикальной координаты. 3 Показатель по пункту 5 определяется не менее чем на 50 повторных проездах по одним и тем же участкам общей протяженностью не менее 100 км. 4 Все значения подтверждаются протоколами испытаний, оформленными в соответствии с ГОСТ Р 58973.

5.9.5 Дополнительные интегральные и эксплуатационные метрики

Метрика	Обозначение	Требование к представлению в документации	Допустимое значение
1 Изменение интегральной точности при неблагоприятных условиях эксплуатации (ночь, сильный дождь, мокрый снег, заснеженное покрытие), %	\Delta mAP	Относительное падение mAP по сравнению со значениями, полученными в идеальных условиях (день, сухое покрытие, хорошая освещенность)	<= 10% (рекомендуется <= 8%)
2 Время инференса (обработки) на 1 км дороги, с/км	Inference time	Среднее и максимальное время обработки данных с одного километра дороги при номинальной скорости движения измерительного комплекса	Указывается обязательно
3 Пиковое потребление видеопамяти GPU и оперативной памяти ОЗУ, ГБ	Peak VRAM/Peak RAM	Максимальные значения при обработке данных в режиме реального времени или постобработки	Указывается обязательно
4 Энергопотребление бортового вычислительного модуля, Вт·ч/км	Power consumption	Среднее энергопотребление вычислительного модуля (без учета датчиков и освещения) при обработке 1 км дороги	Указывается обязательно
5 Коэффициент готовности системы	Availability (Kг)	Доля времени нахождения системы в работоспособном состоянии за расчетный период (не менее 12 мес)	>= 0,998
Примечания 1 Для метрики по пункту 1 обязательно указываются конкретные условия, при которых проводилось испытание (освещенность, тип и интенсивность осадков, температура), а также достигнутые абсолютные значения mAP@0.50:0.95 в этих условиях. 2 Значения по пунктам 2 - 4 указываются с обязательным описанием конфигурации аппаратного обеспечения (модель CPU/GPU/ТП, объем ОЗУ, версия ПО и драйверов) с учетом ГОСТ 19.101. 3 Коэффициент готовности по пункту 5 рассчитывается в соответствии с ГОСТ Р 27.102 и подтверждается эксплуатационными данными или результатами приемо-сдаточных/периодических испытаний.

5.9.6 Критерии и метрики робастности (устойчивости) системы искусственного интеллекта

Эксплуатационная документация должна содержать результаты обязательного тестирования робастности модели к типовым возмущениям и изменениям условий эксплуатации. Все метрики рассчитываются (см. таблицу 5.6):

• на независимом тестовом наборе данных (не менее 500 км дорог);
• на специальных атакующих и стрессовых наборах данных;
• с доверительной вероятностью 95%.

Таблица 5.6

Метрики робастности СИИ

Вид возмущения/атаки	Метрика	Обозначение	Требование к представлению в документации	Максимально допустимое падение ключевых метрик (или минимальное значение)
1 Шум датчиков	Падение mAP и mIoU	\Delta mAPnoise , \Delta mIoUnoise	Следует указать тип и уровень шума ( \sigma для гауссовского, % засорения для импульсного)	<= 5%
2 Погодные условия (дождь, снег, туман)	Падение mAP, F1 критических классов, RMSE глубины	\Delta mAPweather , \Delta F1crit , \Delta RMSEdepth	Стратификация: легкий/средний/сильный дождь, мокрое покрытие, снегопад	<= 10% (при сильных осадках <= 15%)
3 Изменение освещенности (10 — 100 000 лк)	Падение mAP и mIoU	\Delta mAPlight , \Delta mIoUlight	Ночь, сумерки, прямое солнце, глубокие тени	<= 8%
4 Состязательные атаки (Adversarial Attacks): FGSM, PGD, DeepFool	Падение mAP	\Delta mAPadv	Следует указать тип атаки, норму ( L\infty , L2) и силу возмущения \epsilon (2/255, 4/255, 8/255); процент успешно атакованных изображений	<= 12% при \epsilon = 8/255
5 Атака отравления данных (Data Poisoning)	Падение mAP после дообучения на отравленном наборе	\Delta mAPpoison	Только для систем с функцией дообучения в эксплуатации; следует указать долю отравленных образцов (1%, 3%, 5%)	<= 7% при 5% отравления
6 Расфокусировка и motion blur	Падение mAP при искусственном размытии	\Delta mAPblur	Имитация вибрации и высокой скорости; \sigma = 1 - 5\text{пикс}.	<= 10% при \sigma = 3\text{пикс}.
7 Изменение домена (Out-of-Distribution, OOD)	Падение mAP на данных другого региона/типа покрытия	\Delta mAPood	Тестирование минимум на двух контрастных регионах Российской Федерации (например, Центральный федеральный округ и Дальний Восток) или на разных типах покрытия	<= 15%
8 Коррупция данных (Common Corruptions)	Robust mAP по бенчмаркам ImageNet-C/Road-C (15 видов коррупций, пять уровней интенсивности)	mAP-C	Среднее значение по всем коррупциям и уровням интенсивности	>= 75% от «чистого» mAP
9 Устойчивость к дисбалансу классов (переобучение на редких классах)	Разница mAP между редкими и доминирующими классами	mAP minority — mAP majority	Редкие классы: глубокие выбоины, крупные просадки, разрушение кромки (менее 1% в датасете)	<= 0,12
10 Детекция аномальных входных данных (OOD detection)	AUROC и FPR при 95% TPR детектора аномалий (Mahalanobis, ODIN, Energy-based и др.)	AURO Cood, FPR TPR	Тест на изображениях, не относящихся к дорожной инфраструктуре (город, природа, помещения)	AUROC >= 0,95
Примечания 1 Падение метрик рассчитывается относительно значений, полученных в идеальных условиях (день, сухое покрытие, хорошая освещенность, отсутствие искусственных возмущений). 2 Для каждого вида возмущения/атаки в документации приводятся: - точные параметры возмущения; - графики зависимости ключевых метрик от уровня возмущения; - не менее 10 визуальных примеров поведения модели (успешные и неуспешные случаи). 3 Указывается наличие и тип примененных методов повышения робастности. 4 Для систем, претендующих на уровень доверия 4 — 5 по ГОСТ Р 59276, падение mAP при любых испытанных атаках и погодных условиях не должно превышать 10%. 5 Результаты тестирования робастности подтверждаются протоколами аккредитованной испытательной лаборатории и включаются в паспорт СИИ.

5.9.7 Все перечисленные метрики должны быть подтверждены протоколами испытаний, оформленными по ГОСТ Р 58973, и заверенными аккредитованной испытательной лабораторией (при сертификации).

5.9.8 При представлении результатов обязательно приведение матриц ошибок, кривых точного отзыва и примеров визуализации наиболее сложных случаев (ложные срабатывания, пропуски, значительные ошибки геометрии).

5.10 Может быть проведена процедура сертификации ИИ (добровольной или обязательной) для подтверждения соответствия установленным требованиям.

5.11 Требования к источникам и типам исходных данных

5.11.1 Для формирования базы данных, обучения и дообучения СИИ, а также для выполнения операционного анализа качества дорожного покрытия должны использоваться данные, полученные от измерительных комплексов, включающих сенсоры в соответствии с таблицей 5.7.

Таблица 5.7

Минимально необходимые и рекомендуемые типы данных для обнаружения и оценки различных групп дефектов дорожного покрытия

Группа дефектов	Примеры дефектов	Обязательные типы данных	Рекомендуемые дополнительные типы данных
1 Дефекты плоскости и ровности	Колейность, волны, наплывы, просадки, сдвиги плит	Данные лазерного сканирования (3D-точки) или стереофотограмметрии	Данные IMU, акселерометры
2 Дефекты целостности покрытия (объемные)	Выбоины, проломы, разрушения кромки	Данные лазерного сканирования (3D)	Высокодетальные RGB-изображения для верификации
3 Дефекты целостности покрытия (поверхностные)	Продольные и поперечные трещины, сетка трещин, шелушение, отслоение	Высокодетальные RGB-изображения	Данные лазерного сканирования (3D) для оценки глубины и объема
4 Дефекты поверхностного слоя	Выцветание разметки и покрытия, износ шероховатости, масляные пятна	Высокодетальные RGB-изображения	Мульти-/гиперспектральные изображения, тепловизионные данные

5.11.2 Технические требования к оптическим системам (камерам)

5.11.2.1 Линейное разрешение по полосе движения должно обеспечивать не менее 100 пикселей на 1 м дорожного полотна при номинальной высоте установки.

5.11.2.2 Частоту кадров FPS рассчитывают по формуле

FPS >= (V/3,6)/G, (2)

где V — максимальная рабочая скорость движения измерительного комплекса, км/ч;

G — продольный размер элементарного участка дорожного покрытия, м (рекомендуется G <= 0,05 м). Минимально допустимая частота кадров — 30 FPS.

5.11.2.3 HDR камер должен быть не менее 120 дБ.

5.11.2.4 Спектральная чувствительность — видимый диапазон (400 — 700 нм) с возможностью работы в ближнем ИК-диапазоне (до 1000 нм) для повышения контраста в сложных погодных условиях.

5.11.2.5 При проведении работ в темное время суток или при освещенности менее 50 лк измерительный комплекс должен быть оснащен системой активного искусственного освещения, обеспечивающей равномерную освещенность зоны сканирования с отклонением не более +/- 10% от среднего значения и цветовой температурой 4500 — 6500 К.

5.11.3 Технические требования к системам лазерного сканирования (лидарам)

5.11.3.1 Точность измерения координат (X, Y, Z) — не хуже +/- 3 мм (1\sigma) в рабочем диапазоне высот.

5.11.3.2 Плотность точек на поверхности дорожного покрытия — не менее 1000 точек/м2 при номинальной скорости движения 80 км/ч.

5.11.3.3 Ширина полосы сканирования — не менее 4,0 м (полное покрытие одной полосы движения и обочины).

5.11.3.4 Частота измерений лазерного сканера — не менее 500 000 точек/с на один луч.

5.11.3.5 Класс лазера — 1 (безопасный для глаз) по ГОСТ IEC 60825-1.

5.11.4 Требования к синхронизации и геопривязке данных

5.11.4.1 Погрешность временной синхронизации данных от всех сенсоров (камеры, лидар, IMU, GNSS-приемник) не должна превышать 1 мс.

5.11.4.2 Погрешность геопозиционирования центра масс измерительного комплекса при использовании RTK или постобработки PPK/PPP:

• в плане — не более 0,02 м (1\sigma) ;
• по высоте — не более 0,05 м (1\sigma) .

5.11.4.3 СИИ должна обеспечивать непрерывную запись и хранение сырых навигационных данных для последующей постобработки в случае потери RTK-поправок.

5.11.4.4 IMU должен иметь класс точности не хуже требуемого уровня (смещение нуля гироскопов <= 1 град./ч, акселерометров <= 50 мкг).

Примечание - Допускается использование комбинированных решений (например, интегрированные GNSS/IMU-системы), при условии выполнения всех указанных выше требований.

5.11.5 Требования к качеству исходных данных, используемых для обучения, тестирования и эксплуатационного анализа

5.11.5.1 Общие требования

Исходные данные (изображения, видеопотоки, облака точек лидара, инерциальные и геопозиционные данные) должны обеспечивать достижение заявленных в 5.9 количественных критериев качества СИИ. Качество данных подтверждается протоколами испытаний и включается в паспорт датасета.

5.11.5.2 Требования к оптическим изображениям и видеопотокам приведены в таблице 5.8.

Параметр	Минимальное требование	Рекомендуемое значение	Примечание
Линейное разрешение по полосе движения	Не менее 100 пикселей на 1 м	Не менее 150 пикселей на 1 м	При номинальной высоте установки камеры
Угловое разрешение	Не более 0,05 мрад/пиксель	Не более 0,03 мрад/пиксель	-
Частота кадров (при скорости до 100 км/ч)	Не менее 30 кадров/с	Не менее 50 кадров/с	Рассчитывается по формуле (2)
Динамический диапазон	Не менее 120 дБ	Не менее 140 дБ	Обязательно наличие режима HDR
Глубина цвета	Не менее 12 бит на канал	14 — 16 бит на канал	-
Угол обзора по ширине полосы движения	Полное покрытие одной полосы и не менее 0,5 м запаса с каждой стороны	Полное покрытие двух полос движения и обочины	-
Перекрытие стереопар (при наличии)	Не менее 60%	Не менее 75%	Для систем 3D-реконструкции
Доля размытых кадров	Не более 2%	Не более 0,5%	При рабочих скоростях движения
Компрессия	Запись в формате RAW или без потерь (lossless)	-	Допускается JPEG с качеством не ниже 98% только для промежуточного хранения

5.11.5.3 Требования к данным лазерного сканирования приведены в таблице 5.9.

Таблица 5.9

Требования к данным лазерного сканирования

Параметр	Минимальное требование	Рекомендуемое значение	Примечание
Точность измерения одной точки (1\sigma)	Не хуже +/-5 мм по всем осям (X, Y, Z)	Не хуже +/- 3 мм	В рабочем диапазоне
Плотность точек на дорожном покрытии	Не менее 1000 точек/м2 при скорости 80 км/ч	Не менее 2000 точек/м2	-
Среднее расстояние между соседними точками	Не более 3 мм	Не более 2 мм	-
Максимальный радиус действия сканера	Не менее 15 м от оси сканера	Не менее 25 м	-
Разрядность коэффициента отражения	12 — 16 бит	Обязательно	-
Доля пропущенных точек	Не более 3%	Не более 1%	На поверхности покрытия

5.11.5.4 Требования к точности пространственной и угловой привязки исходных данных приведены в таблице 5.10.

Параметр	Минимальное требование (1\sigma)	Рекомендуемое значение (1\sigma)	Примечание
Точность определения координат центра траектории измерительного комплекса в плане (X, Y)	<= 0,02 м	<= 0,01 м	После RTK или постобработки PPK/PPP
Точность определения координат по высоте (Z)	<= 0,05 м	<= 0,02 м	После RTK или постобработки PPK/PPP
Точность синхронизации по времени между всеми сенсорами (камеры, лидар, IMU, GNSS)	<= 1 мс	<= 0,5 мс	Аппаратная или программно-аппаратная
MSE углов ориентации (рыскание, тангаж, крен) после слияния IMU/GNSS	<= 0,02° (рыскание) <= 0,01° (тангаж/крен)	<= 0,01° (рыскание) <= 0,005° (тангаж/крен)	Tactical-grade или выше IMU
Смещение нуля гироскопов IMU (bias instability)	<= 1°/ч	<= 0,5°/ч	-
Смещение нуля акселерометров IMU	<= 50 мкг	<= 20 мкг	-
Максимальная погрешность внешней ориентации камер и лидаров относительно IMU (боресайт-калибровка)	<= 0,01° по всем осям <= 5 мм линейного смещения	<= 0,005° <= 2 мм	Подтверждается калибровкой на полигоне
Остаточная погрешность проекции точек лидара на изображение после калибровки	<= 2 пикселя	<= 1 пикселя	На всем поле зрения
Повторяемость траектории при повторных проездах одного участка (RMSE положения)	<= 0,03 м в плане <= 0,05 м по высоте	<= 0,02 м/<= 0,03 м	На участках >= 10 км без потери RTK
Примечания 1 Все значения должны подтверждаться протоколами калибровки и поверки в соответствии с 5.12. 2 Для систем, работающих только в режиме онлайн (без постобработки), требования к точности в плане и по высоте ужесточаются на 20% (т.е. <= 0,016 м в плане и <= 0,04 м по высоте). 3 Обязательно наличие в каждом файле данных сырых навигационных наблюдений для возможности последующей постобработки и контроля качества. 4 При потере высокоточного позиционирования (RTK/PPP) более чем на 10 с система должна автоматически прекращать обработку и маркировать соответствующий участок как «данные с пониженной точностью привязки».

5.11.5.5 Требования к системе координат и формату геометрической привязки исходных данных

Обязательные системы координат

Все исходные данные (траектории, облака точек лидара, изображения с геотэгами, результаты обнаружения и локализации дефектов) должны предоставляться минимум в двух системах координат (см. таблицу 5.11).

Система координат	Обязательность	Примечание
1 ГСК-2011 (Государственная система координат 2011 г.), зоны соответствующего субъекта Российской Федерации (МСК-XX, где XX — номер субъекта)	Обязательная для всех данных на территории Российской Федерации	Основная система для передачи в государственные и региональные информационные системы
2 ПЗ-90.11 (Параметры Земли 1990 г., реализация 2011 г., используется в ГЛОНАСС)	Обязательная	Используется для навигационных данных и постобработки
3 WGS-84 (World Geodetic System 1984), ITRF2014 или текущая реализация	Обязательная	Для международного обмена и совместимости с зарубежными системами

Дополнительные требования

При наличии высокоточного позиционирования (RTK/PPK) обязательно предоставление координат в ГСК-2011 с указанием кода EPSG зоны (например, EPSG:97120 — 97269 для МСК субъектов Российской Федерации).

Преобразование между системами координат должно выполняться с использованием официальных параметров перехода (ключей), утвержденных [2]. Остаточная погрешность преобразования не должна превышать 0,01 м.

В метаданных каждого файла данных (изображения, облака точек, треки) должны быть указаны:

• идентификатор системы координат (код EPSG);
• эпоха реализации (например, ПЗ-90.11);
• параметры преобразования (если применялись нестандартные ключи);
• дата последних актуальных параметров перехода.

Обязательные форматы хранения и передачи геопространственных данных представлены в таблице 5.12.

Таблица 5.12

Обязательные форматы хранения и передачи геопространственных данных

Тип данных	Обязательный формат	Дополнительно допускается	Примечание
Траектория измерительного комплекса	GeoPackage, GeoJSON или ASCII (WGS-84 + ПЗ-90.11 + ГСК-2011)	-	С частотой не реже 100 Гц
Облако точек лидара	LAS 1.4 или LAZ с расширениями геотэгов	E57	Обязательно поле «GPS Time» и геоключи
Изображения с геопривязкой	GeoTIFF или BigTIFF с встроенными RPC/геотэгами	JPEG2000 с геометаданными	Координаты углов кадра и центра
Результаты обнаружения дефектов	GeoJSON, GeoPackage или shapefile	GML, KML	Каждый дефект — отдельный объект с атрибутами по ГОСТ Р 50597

• погрешность геопозиционирования центра траектории 2 см или менее (план), 5 см или менее (высота) после постобработки PPK/PPP;
• наличие первичных навигационных данных (GNSS observations) обязательно для всех записей.

5.11.5.6 Требования к метаданным и паспорту датасета

5.11.5.7 Контроль качества данных

5.12 Требования к калибровке и метрологическому обеспечению сенсоров измерительного комплекса

5.12.1 Общие положения

Все сенсоры измерительного комплекса (оптические камеры, лазерные сканеры, инерциальные блоки, GNSS-приемники), используемые для сбора данных при анализе качества дорожного покрытия с применением ИИ, подлежат обязательной первичной и периодической калибровке и поверке в соответствии с требованиями [3] и настоящим стандартом.

5.12.2 Калибровка оптических систем (камер)

Параметр калибровки	Метод калибровки	Периодичность	Допустимое отклонение после калибровки
1 Внутренние параметры (фокусное расстояние, координаты главной точки, коэффициенты дисторсии)	Калибровка по шахматной доске или 3D-мишени (метод Чжана или аналогичный)	Перед вводом в эксплуатацию и не реже одного раза в 12 мес	MSE репроекции <= 0,1 пикс.
2 Внешние параметры (взаимное расположение камер и других сенсоров)	Одновременная съемка калибровочной мишени всеми камерами и лидаром	Перед каждым выездом или после любых механических воздействий	MSE репроекции <= 0,5 пикс.
3 Цветовая и яркостная характеристика	Съемка эталонной цветовой карты (Macbeth/X-Rite ColorChecker) в контролируемых условиях освещения	Не реже одного раза в 6 мес	\Delta E \leq 2 (CIELAB)
4 Геометрическая стабильность (фактическое разрешение по дорожному полотну)	Съемка линейной миры или эталонных меток с известным расстоянием непосредственно на дороге	Перед каждым выездом	Отклонение от заявленного значения (не менее 100 пикс./м) <= 3%

5.12.3 Калибровка систем лазерного сканирования (лидаров)

Требования к калибровке систем лазерного сканирования приведены в таблице 5.14.

Таблица 5.14

Требования к калибровке систем лазерного сканирования

Параметр калибровки	Метод калибровки	Периодичность	Допустимое отклонение
1 Внешняя ориентация лидара относительно системы координат транспортного средства	Калибровка по эталонным плоскостям и мишеням с известными координатами (target-based метод)	После монтажа и не реже одного раза в 12 мес	RMSE <= 3 мм по всем осям
2 Точность дальномера и угловое разрешение	Съемка эталонных сфер и плоскостей на известных расстояниях	Не реже одного раза в 12 мес	<= 2 мм (1\sigma) на расстоянии до 10 м
3 Интенсивность отражения	Съемка эталонных отражателей с известными коэффициентами отражения	Не реже одного раза в 12 мес	<= 5%

5.12.4 Калибровка IMU и интегрированной GNSS/IMU-системы

Требования к калибровке IMU и интегрированных GNSS/IMU-систем приведены в таблице 5.15.

Таблица 5.15

Требования к калибровке IMU и интегрированных GNSS/IMU-систем

Параметр калибровки	Метод калибровки	Периодичность	Допустимое отклонение
1 Смещение нуля гироскопов и акселерометров	Лабораторная калибровка на поворотном столе и вибростенде	Не реже одного раза в 12 мес	Гироскопы <= 0,5° в час; акселерометры <= 30 мкг
2 Масштабные коэффициенты и невыравненность осей	Многопозиционная калибровка (не менее 6 — 24 позиций)	Не реже одного раза в 12 мес	<= 0,01%
3 Взаимная ориентация IMU относительно GNSS-антенны и лидара	Калибровка по траектории с использованием RTK-фазовых измерений	После монтажа и после любых механических воздействий	Углы <= 0,02°; линейные рычаги <= 5 мм

5.12.5 Поверка системы геопозиционирования

Требования к поверке геопозиционирования приведены в таблице 5.16.

Таблица 5.16

Требования к поверке геопозиционирования

Параметр	Метод поверки	Периодичность	Допустимое значение
1 Точность RTK/PPK-решения	Сравнение с эталонной базовой станцией или государственной геодезической сетью на аттестованном полигоне	Не реже одного раза в 12 мес	В плане <=0,02 м (1\sigma) ; по высоте <=0,05 м (1\sigma)
Примечание — Результаты всех калибровок и поверок оформляются протоколами и заносятся в паспорт измерительного комплекса. Протоколы хранятся в течение всего срока эксплуатации комплекса и предоставляются при сертификации системы ИИ.

5.12.6 Документирование калибровки

5.12.6.1 На каждый измерительный комплекс оформляется паспорт калибровки, содержащий:

• даты и результаты всех выполненных калибровок;
• примененные эталоны и методики;
• матрицы внутренних и внешних параметров;
• сертификаты поверки (при наличии).

5.12.6.2 Все файлы калибровки (конфигурационные файлы, матрицы трансформации, отчеты) хранятся в неизменяемом виде и прикладываются к каждому набору данных, полученному с данного комплекса.

5.12.6.3 При смене любого сенсора или после механического воздействия (дорожно-транспортное происшествие, переустановка) проводится внеочередная полная калибровка с оформлением нового паспорта.

5.12.7 Автоматический контроль калибровки в процессе эксплуатации

Система должна реализовывать онлайн-проверку согласованности сенсоров (например, по остаткам на калибровочных мишенях или по расхождению траекторий IMU и GNSS). При превышении порогов (например, RMSE более 5 мм по лидару на мишени) выдается предупреждение и блокируется дальнейшая обработка данных до повторной калибровки.

6 Требования к конфигурации

6.1 Требования к оборудованию и программному обеспечению системы искусственного интеллекта для распознавания дефектов автомобильных дорог с усовершенствованным покрытием

СИИ анализа качества дорожного усовершенствованного покрытия представляет собой ПАК, предназначенный для автоматизированного выявления, классификации и документирования дефектов дорожного покрытия в соответствии с требованиями ГОСТ Р 50597-2017 (таблица А.1) и [1] (таблица 4.5).

СИИ должна обеспечивать выполнение полного цикла обработки данных: от сбора первичной информации до формирования отчетных документов.

Примечание - Обработка данных может осуществляться в следующих режимах:

• режим, близкий к реальному времени (квазиреальное время): Обработка данных осуществляется в процессе обследования или с незначительной задержкой (например, в течение нескольких минут после прохождения участка). Данный режим является целесообразным и рекомендуемым для оперативного контроля качества съемки, немедленного выявления грубых дефектов оборудования, а также для предоставления предварительных результатов заказчику непосредственно в ходе проведения работ. Это позволяет оперативно устранять проблемы со сбором данных и повышает общую эффективность обследования;
• режим постобработки: Полноценный анализ, включая точную классификацию, сегментацию, расчет геометрических параметров и формирование итоговых отчетов для планирования ремонтных работ, выполняется после завершения съемки с использованием всех собранных данных. Данный режим является основным для формирования итоговой отчетности, так как позволяет применять более ресурсоемкие и точные алгоритмы, осуществлять перепроверку и уточнение результатов.

Требования к конфигурации вычислительных модулей должны обеспечивать возможность работы, как минимум, в одном из указанных режимов. Конфигурация, поддерживающая режим, близкий к реальному времени, должна обладать соответствующими аппаратными ресурсами для обработки больших облаков точек и потоковых данных.

6.2 Архитектура системы искусственного интеллекта должна соответствовать требованиям ГОСТ Р 59793

6.2.1 Требования к системам хранения данных и резервного копирования

6.2.1.1 Архитектура ПАК должна поддерживать возможность использования облачных сервисов для хранения данных, их резервного копирования и обработки при условии выполнения всех требований настоящего стандарта, а также требований законодательства Российской Федерации в области информационной безопасности и защиты информации.

6.2.1.2 При использовании облачной инфраструктуры должны быть обеспечены:

а) размещение и обработка данных на территории Российской Федерации в соответствии с требованиями [4];

б) использование сертифицированных СЗИ и СКЗИ, соответствующих требованиям ФСТЭК России и ФСБ России, для защиты данных при передаче и хранении;

в) криптографическая защита данных, включая исходные данные (изображения, облака точек, навигационная информация), промежуточные результаты, СИИ и итоговые отчеты;

г) наличие согласованного с заказчиком регламента восстановления работоспособности системы и данных в случае сбоев;

д) соблюдение требований к доступности и целостности данных, установленных в разделе 5.

6.2.1.3 Эксплуатационная документация на ПАК должна в обязательном порядке содержать описание конфигурации и регламентов использования облачных сервисов (при их применении), включая схемы передачи данных, применяемые протоколы и средства защиты.

6.2.2 Вычислительные модули СИИ должны обеспечивать:

• производительность не менее 150 TFLOPS для операций с плавающей запятой одинарной точности (FP32) в соответствии с методиками измерения производительности по ГОСТ Р 52023;
• поддержку технологий параллельных вычислений (CUDA 11.0+, OpenCL 3.0+);
• наличие тензорных ядер для ускорения операций ИИ.

6.2.2.1 Системы памяти должны соответствовать следующим требованиям:

• объем оперативной памяти не менее 128 ГБ с поддержкой ECC;
• пропускная способность памяти не менее 800 ГБ/с;
• объем энергонезависимой памяти не менее 8 ТБ со скоростью чтения/записи не менее 7000/5000 МБ/с.

6.2.2.2 Системы ввода-вывода должны обеспечивать:

• поддержку интерфейсов передачи данных не менее 100 Гбит/с;
• наличие специализированных портов для подключения измерительного оборудования;
• резервирование каналов связи в соответствии с требованиями надежности по ГОСТ 27.301.

6.2.2.3 Номенклатура классов дефектов дорожного покрытия, распознаваемых СИИ, должна быть увязана и полностью соответствовать классификации, установленной в ГОСТ Р 50597-2017 (таблица А.1) и [1] (таблица 4.5).

Конфигурация вычислительных модулей и систем памяти (см. 6.2.2.1 - 6.2.2.3) должна обеспечивать возможность обработки и классификации всего объема данных в соответствии с указанной номенклатурой классов.

6.3 Требования к программному обеспечению

6.3.1 Архитектура ПО должна соответствовать:

• требованиям ГОСТ Р 56939;
• принципам модульности и масштабируемости согласно ГОСТ Р 59853;
• поддержке многопоточных вычислений и распределенной обработки данных.

6.3.2 Требования к функциональным характеристикам:

• точность классификации дефектов: не менее 95% при доверительной вероятности 0,95;
• полнота обнаружения: не менее 98% для дефектов размером более 10 см2;
• точность геометрических измерений: погрешность не более +/- 2 мм по глубине, +/- 5 мм по линейным размерам.

6.4 Требования к алгоритмическому обеспечению

6.4.1 Алгоритмы компьютерного зрения должны обеспечивать:

• устойчивость к изменениям условий освещенности от 50 до 100 000 люкс;
• корректную работу при различных погодных условиях в соответствии с классификатором погодных условий Росгидромета;
• адаптацию к сезонным изменениям дорожного покрытия.

6.4.2 Алгоритмы анализа данных должны включать:

• методы предобработки и очистки данных согласно ГОСТ Р 57773;
• алгоритмы калибровки и верификации измерительных систем;
• механизмы контроля качества результатов измерений.

6.4.3 Алгоритмы на основе РНС, при их применении, должны быть ориентированы:

• на анализ временных рядов данных IMU для компенсации вибраций и улучшения стабильности данных;
• обработку последовательностей видеокадров для отслеживания развития дефектов вдоль пути движения;
• прогнозирование динамики изменения состояния дорожного покрытия на основе исторических данных обследований.

6.5 Требования к метрологическому обеспечению

6.5.1 Система должна проходить периодическую поверку в соответствии:

• с требованиями ГОСТ Р 8.000;
• методиками поверки средств измерений геометрических параметров;
• графиком поверки с периодичностью не реже одного раза в 12 мес.

6.5.2 Погрешности измерений не должны превышать:

• +/- 3 мм для линейных размеров дефектов;
• +/- 1 мм для глубины неровностей;
• +/- 0,1° для угловых параметров.

6.6 Требования к информационной безопасности

Система должна соответствовать:

• требованиям ГОСТ Р 56546 и профилю защиты по ГОСТ Р 51583;
• требованиям к криптографической защите информации по ГОСТ Р 34.12 и ГОСТ Р 34.13.

6.7 Методы контроля и испытаний

6.7.1 Приемо-сдаточные испытания должны включать:

• тестирование на эталонных наборах данных объемом не менее 10 000 образцов;
• натурные испытания на участках дорог общей протяженностью не менее 500 км;
• сравнительный анализ с результатами инструментальных измерений.

6.7.2 Периодический контроль должен осуществляться:

• по методикам, утвержденным в установленном порядке;
• с использованием поверенного измерительного оборудования;
• с оформлением протоколов испытаний по ГОСТ Р 58973.

6.8 Требования к надежности и эксплуатации

6.8.1 Показатели надежности должны соответствовать:

• коэффициенту готовности не менее 0,995;
• средней наработке на отказ не менее 15 000 ч;
• времени восстановления не более 2 ч.

6.8.2 Условия эксплуатации должны соответствовать:

• температурному диапазону от минус 40 °C до плюс 50 °C;
• относительной влажности до 95% при температуре плюс 25 °C;
• требованиям к виброустойчивости по ГОСТ Р 52931.

6.9 Требования к документации и сопровождению системы

6.9.1 Эксплуатационная документация на систему должна разрабатываться в соответствии с требованиями ГОСТ Р 2.601 и ГОСТ 34.201.

6.9.2 Комплект эксплуатационной документации должен включать:

• руководство по эксплуатации с описанием алгоритмов работы системы;
• программу и методики испытаний;

- формы протоколов контроля и отчетной документации;

• инструкции по техническому обслуживанию и ремонту.

6.9.3 Техническая документация должна содержать:

• описание архитектуры системы и принципов взаимодействия компонентов;
• методики поверки и калибровки измерительных каналов;
• алгоритмы обработки данных и принятия решений;
• процедуры восстановления работоспособности после сбоев.

6.9.4 Документация на ПО должна включать:

• описание программных модулей и интерфейсов в соответствии с ГОСТ 19.101;
• инструкции по установке и настройке ПО;
• методики тестирования и верификации алгоритмов;
• процедуры обновления и модернизации программных компонентов.

6.9.5 Система должна сопровождаться технической поддержкой, обеспечивающей:

• консультации по эксплуатации системы в течение всего жизненного цикла;
• оперативное устранение неисправностей (не более 8 ч для критических сбоев);
• регулярное обновление ПО и баз данных;
• обучение персонала заказчика работе с системой.

6.9.6 Процедуры сопровождения должны регламентироваться:

• регламентом технического обслуживания с указанием периодичности работ;
• планом-графиком профилактических работ и поверок;
• порядком внесения изменений в конфигурацию системы;
• процедурами резервного копирования и восстановления данных.

7 Требования к обучению систем искусственного интеллекта

7.1 Требования к разработке систем искусственного интеллекта анализа дорожного покрытия усовершенствованного типа

7.1.1 Для анализа дорожного покрытия должен быть подготовлен размеченный обучающий набор данных для обучения СИИ.

7.1.2 Для разметки данных должна быть разработана семантическая онтология, основанная на эталонном каталоге дефектов и описывающая:

а) типы дефектов дорожного покрытия (трещины, выбоины, колейность и т.д.);

б) характеристики дефектов (размер, форма, глубина, ориентация, степень выраженности);

в) характеристики воспринимаемой сцены (тип покрытия, состояние, освещенность, погодные условия, наличие влаги/льда/снега, видимость разметки);

г) пространственные объекты (дорожная разметка, знаки, люки, светофоры, элементы инфраструктуры, посторонние предметы: мусор, камни).

7.2 Порядок разработки семантической онтологии

Порядок составления семантической онтологии для отражения всех вариаций значений характеристик:

а) определение основных понятий — типы дефектов покрытия, их характеристики (включая геометрические — длина, ширина, площадь, глубина, объем), характеристики воспринимаемой сцены в целом, типы пространственных объектов;

б) определение классов и подклассов — структурирование выявленных понятий (дефектов, объектов, характеристик) и их взаимосвязей (например, связь типа дефекта с его типичными геометрическими параметрами);

в) построение иерархии — формирование иерархической структуры с общими и специализированными типами дефектов и пространственных объектов, перечисление значений их характеристик (включая метрические);

г) определение вариативных диапазонов — установление диапазонов возможных значений для характеристик дефектов (особенно геометрических — мин./макс. размеры, глубина), пространственных объектов и характеристик сцены.

д) классы объектов-помех (ложных целей);

1. визуальные артефакты, не являющиеся дефектами покрытия, но способные приводить к ложным срабатываниям (например, тени от деревьев и сооружений, блики от влаги, пятна от пролитых жидкостей (масло, антигололедные реагенты), однородные загрязнения, оптические иллюзии, текстура старого асфальта);

2. объекты дорожной инфраструктуры и обустройства, не относящиеся к дефектам покрытия (например, люки, стыки плит, дефекты разметки, заплатки от предыдущих ремонтов, не являющиеся дефектами по ГОСТ Р 50597).

7.3 Требования к адаптивности и расширению онтологии

Онтология должна обеспечивать возможность адаптации под специфические условия эксплуатации (региональные особенности дорог, материалы покрытия).

Онтология должна предусматривать возможность расширения для учета новых типов дефектов, новых пространственных объектов, новых характеристик и их значений.

Расширение для геометрии — онтология должна явно поддерживать атрибуты, необходимые для расчета геометрии дефектов (длина, ширина, площадь, периметр, глубина, объем) и пространственных объектов (координаты).

7.4 Требования к обучающему набору данных

Данные из обучающего набора должны обеспечивать:

а) полноту покрытия — охватывать полный спектр возможных дефектов (всех целевых классов для мультиклассовой классификации), различных по типу, размеру, форме, глубине и степени выраженности, а также все значимые типы пространственных объектов;

б) географическое и климатическое разнообразие — включать данные из разных географических регионов и климатических зон для повышения адаптивности модели к различным условиям;

в) корректную аннотацию — должны быть точно размечены с использованием семантической онтологии для указания:

1. типа дефекта (класс мультиклассификации);

2. характеристик дефекта (включая локализацию и, где применимо, границы для расчета геометрии);

3. характеристик воспринимаемой сцены (состояние покрытия, погода и т.д.);

4. типа, локализации и границ пространственных объектов;

г) сбалансированность классов — должны быть сбалансированы по типам дефектов и представленности пространственных объектов для предотвращения переобучения модели на доминирующие классы;

д) актуальность — регулярно обновляться (не реже одного раза в год) для отражения изменений состояния дорожных покрытий и появления новых типов дефектов или объектов;

е) разделение на выборки — быть поделены на обучающую (рекомендуется 70% — 80%), валидационную (рекомендуется 10% — 15%) и тестовую (рекомендуется 10% — 15%) выборки. Разделение должно осуществляться случайным образом, обеспечивая репрезентативное и равномерное представление каждого типа дефекта и объекта во всех выборках;

ж) контроль качества — проходить строгую проверку на наличие ошибочных, неточных (особенно в геометрической разметке) и недостоверных элементов перед обучением;

и) репрезентативность объектов-помех: обучающий набор данных должен включать репрезентативную выборку примеров объектов-помех (ложных целей), указанных в 7.2, перечисление д). Разметка для таких объектов должна явно указывать на их принадлежность к специальному классу «не дефект» (или аналогичному) для задач классификации, либо не выделять их в качестве целевых объектов для сегментации и детекции.

Примечание - Наличие и корректная разметка объектов-помех критически важны для снижения FPR и повышения общей надежности модели;

к) соответствие модальности данных: обучающий набор данных должен формироваться в строгом соответствии с таблицей 5.7. Для каждого экземпляра данных в метаданных должен быть указан тип сенсора и его основные технические характеристики (модель, разрешение, настройки);

л) синхронизация и сопряжение данных: для дефектов, требующих комбинации данных (например, выбоина), в датасете должны быть представлены синхронизированные и сопряженные в единой системе координат наборы данных (например, изображение RGB + фрагмент облака точек) с перекрестной ссылкой в разметке;

м) соответствие эталонному каталогу: процесс разметки обучающего, валидационного и тестового наборов данных должен проводиться с обязательным использованием эталонного каталога дефектов. Все участники процесса разметки должны быть аттестованы на умение корректно применять каталог. Контроль качества разметки должен включать проверку на соответствие эталонным примерам.

7.5 В качестве основы для семантической онтологии (см. 7.2) и для обеспечения единства подходов при разметке данных должен использоваться эталонный каталог дефектов.

Эталонный каталог дефектов должен содержать, как минимум:

а) визуальные эталоны: высокодетализированные изображения (RGB) каждого типа дефекта в различных погодных условиях, при разном освещении и ракурсах;

б) данные лазерного сканирования: эталонные облака точек или 3D-модели дефектов, демонстрирующие их геометрические параметры (глубину, объем, профиль);

в) диагностические признаки: формализованное описание визуальных и геометрических признаков, однозначно идентифицирующих дефект;

г) правила дифференциальной диагностики: четкие критерии для отличения дефекта от визуально схожих объектов (например, тень от продольной трещины, пятно от ремонтной карты, текстура покрытия от сетки трещин);

д) ссылки на нормативные документы: прямое соответствие каждого дефекта классам, указанным в ГОСТ Р 50597 и [1].

7.6 Аугментация данных

В случае необходимости должны применяться техники аугментации данных (масштабирование, повороты, обрезка, изменение яркости/контраста, добавление шума и т.д.) для увеличения объема и разнообразия обучающих данных, повышая робастность модели.

7.7 Документирование подготовки данных

Все стадии подготовки данных, включая сбор, разработку семантической онтологии, аннотирование (включая методики разметки геометрии), аугментацию и обработку данных, должны быть подробно документированы.

7.8 Требования к процессу обучения модели искусственного интеллекта

Процесс обучения СИИ должен обеспечивать:

а) выбор архитектуры — должен быть определен оптимальный тип и архитектура модели ИИ (например, CNN, Transformer, РНС, включая LSTM и GRU, гибридные модели), соответствующие задачам мультиклассовой классификации дефектов, детекции пространственных объектов, регрессии для расчета геометрических параметров, а также анализа временных последовательностей и пространственно-временных данных, включая механизмы, направленные на повышение робастности и устойчивости к ложным целям (помехам), определенным в онтологии [см. 7.2, перечисление д)];

б) подбор гиперпараметров — должен быть осуществлен тщательный подбор гиперпараметров модели (скорость обучения, количество эпох, размер пакета, количество/типы слоев, функции потерь для классификации и регрессии);

в) итеративное обучение с валидацией — обучение должно происходить итеративно с использованием кросс-валидации для оценки производительности и предотвращения переобучения;

г) эксперименты с параметрами — должна быть возможность запуска нескольких циклов обучения с различными архитектурами и гиперпараметрами для достижения оптимальных результатов;

д) сохранение состояния — должно быть обеспечено регулярное сохранение чекпоинтов (промежуточных состояний) модели для возможного восстановления, дообучения или анализа;

е) комплексную оценку производительности:

1. для классификации дефектов — использовать метрики: правильность (accuracy), точность (precision), полнота (recall), F1-мера (F1-score), площадь под ROC-кривой (AUC-ROC), матрица ошибок (confusion matrix);

2. для детекции объектов: использовать метрики: mAP, IoU;

3. для расчета геометрии следует использовать метрики регрессии: MSE, MAE, RMSE, относительная ошибка для размеров/глубины/объема;

ж) тестирование — обучаемая модель должна обязательно оцениваться на независимом тестовом наборе данных для проверки обобщающей способности по всем задачам (классификация, детекция, регрессия);

и) контрольные выборки — процесс обучения должен контролироваться с использованием валидационной выборки для предотвращения переобучения. Финальная оценка качества модели должна проводиться на тестовой выборке, не участвующей в обучении и настройке гиперпараметров;

к) оценка стабильности — должна осуществляться оценка стабильности и надежности модели при варьировании входных данных (разное освещение, погода, углы съемки, разрешения);

л) обучение на контрастных примерах: в процессе обучения рекомендуется применять методики, направленные на обучение модели различать дефекты и визуально схожие с ними объекты-помехи. Это может включать:

1. парное представление дефекта и схожей помехи в рамках одной обучающей итерации;

2. использование функций потерь, штрафующих за конфигурации между критическими классами дефектов и определенными классами помех;

3. активный отбор и добавление в обучающую выборку сложных случаев, на которых модель чаще всего ошибается.

7.9 Документирование процесса обучения

Должно осуществляться подробное документирование всех этапов обучения, включая:

а) финализированную архитектуру СИИ;

б) использованные гиперпараметры;

в) примененные методы аугментации данных;

г) результаты кросс-валидации по всем метрикам (классификация, детекция, геометрия);

д) результаты тестирования на контрольных и финальном тестовом наборах;

е) анализ ошибок (матрица изменений, примеры ошибок детекции/классификации, анализ точности геометрических расчетов);

ж) наблюдения за процессом обучения (графики обучения/валидации потерь и метрик);

и) протокол работы с помехами: в документации должен присутствовать раздел, описывающий применяемые методы фильтрации объектов-помех, включая:

1. статистику по частоте встречаемости различных типов помех в обучающей выборке;

2. анализ эффективности различных подходов к снижению ложных срабатываний;

3. примеры успешного и неуспешного распознавания сложных случаев.

7.10 Отчет о результатах обучения

По результатам обучения должен быть составлен итоговый отчет, содержащий:

а) описание финальной модели и процесса обучения;

б) достигнутые значения всех ключевых метрик качества:

1. на валидационных наборах (кросс-валидация);

2. на независимом тестовом наборе (для классификации, детекции объектов, расчета геометрических характеристик дефектов);

в) анализ ошибок модели (типичные случаи неправильной классификации, пропуски/ложные срабатывания детекции объектов, точность и погрешность в определении размеров, площади, глубины, объема дефектов);

г) оценку стабильности модели при изменении условий (освещение, погода);

д) выводы о применимости и ограничениях обученной модели ИИ для решения задач распознавания дефектов покрытия автомобильных дорог, детекции пространственных объектов и расчета геометрии дефектов;

е) рекомендации по дальнейшему улучшению модели и набора данных;

ж) анализ помехоустойчивости: итоговый отчет должен содержать количественную оценку эффективности работы модели с объектами-помехами, включая:

1. значения метрик FPR по различным категориям помех;

2. сравнительный анализ точности распознавания до и после применения специальных методов фильтрации;

3. рекомендации по дальнейшему совершенствованию системы в части помех и дефектов.

7.11 Методология тестирования

Методология тестирования заключается в следующем:

а) все метрики рассчитываются на независимом тестовом наборе в соответствии с методиками, установленными в разделе 5;

б) геометрические параметры верифицируются лазерным сканированием в соответствии с требованиями ГОСТ Р 70689 и ГОСТ Р 70690 с применением поверенных средств измерений, внесенных в Государственный реестр средств измерений;

в) пространственная точность проверяется тахеометрической съемкой в соответствии с методиками, утвержденными в установленном порядке, включая требования СП 47.13330 и методические рекомендации по применению высокоточного геодезического оборудования;

г) оценка точности классификации и детекции объектов проводится с использованием методик, изложенных в 5.9, ГОСТ Р ИСО 5725-1 и рекомендаций по валидации алгоритмов компьютерного зрения.

Результаты оформляются в интерактивных дашбордах с фильтрацией по классам дефектов и типам дорог и сопровождаются протоколами испытаний по ГОСТ Р 58973.

7.12 Требования к системе коллективного взаимодействия и развития данных

7.12.1 Для обеспечения постоянного роста и актуализации массива данных о дефектах дорожных покрытий должна быть создана и поддерживаться централизованная информационная система, включающая:

а) электронный репозиторий эталонных данных с верифицированными примерами дефектов;

б) базу знаний с методическими материалами и нормативной документацией;

в) систему сбора и обработки анонимизированных данных от пользователей АС;

г) форум для профессионального взаимодействия разработчиков, экспертов и пользователей.

7.12.2 Электронный репозиторий эталонных данных должен обеспечивать:

а) хранение и предоставление доступа к размеченным наборам данных в соответствии с требованиями 5.11 и 7.5;

7.12.3 Система сбора данных от пользователей должна предусматривать:

8 Методы контроля систем искусственного интеллекта анализа дорожного покрытия

8.1 Требования к тестированию и оценке систем искусственного интеллекта анализа дорожного покрытия усовершенствованного типа

8.1.1 Цель тестирования — проверка точности, надежности и эффективности ИИ-модели:

а) для мультиклассовой классификации дефектов покрытия;

б) локализации и сегментации дефектов;

в) расчета геометрических параметров (глубина, площадь, объем);

г) пространственной привязки к координатам дороги;

д) соответствия техническим характеристикам и требованиям ГОСТ Р 50597.

8.1.2 Тестовая среда должна включать:

а) данные: реальные данные о дорожных покрытиях, общий объем которых составляет не менее 1000 км, включая следующие категории дорог:

1. федеральные автомобильные дороги — не менее 300 км;

2. региональные автомобильные дороги — не менее 400 км;

3. улично-дорожная сеть городов — не менее 300 км.

Примечание - Тестовый набор данных должен включать участки дорог с различными типами усовершенствованных покрытий и в различном транспортно-эксплуатационном состоянии. Допускается использование синтетических данных с симулированными дефектами (выбоины, трещины, просадки) для целей стресс-тестирования отдельных алгоритмов, однако итоговая оценка соответствия требованиям стандарта должна проводиться на реальных данных. Обязательно наличие контрольных наборов с эталонной разметкой для каждой категории дорог;

б) аппаратное обеспечение: вычислительные платформы, идентичные эксплуатационным (GPU/CPU — крайнего устройства); датчики: камеры 4K+; лидары, IMU/GPS-приемники;

в) инструменты анализа: системы автоматизированной валидации метрик; инструменты визуализации ошибок.

8.1.3 Тестовые наборы данных включают:

а) формат — изображения (RGB, тепловые), облака точек, геопозиционные данные;

б) контент:

1. все типы дефектов согласно онтологии (см. 7.2 - 7.4);

2. вариации условий: дождь/снег/ночь/день;

3. эталонные геометрические параметры и координаты (погрешность менее или равно 2 см);

в) объем: 20% и более от общего набора данных.

8.2 Требования к данным

Требования к данным включают:

а) полную анонимизацию — удаление лиц, номерных знаков;

б) очистку от коммерческой и персональной информации;

в) шифрование данных при хранении/передаче.

8.3 Программа испытаний

Программа испытаний включает обязательные проверки: устойчивость к шумам датчиков; соответствие допускам нормативов по глубине/размерам дефектов; согласованность результатов при повторных проездах, с автоматическим выводом параметров оператору в случае спорного трактования классификации дефекта.

8.4 Документирование результатов

Документирование результатов должно содержать: сводные таблицы метрик; визуализацию (примеры успешного/ошибочного распознавания; карты пространственных отклонений); анализ трех основных классов с максимальной ошибкой, корреляция точности с условиями съемки и рекомендации по дообучению; заключение о соответствии целевым показателям и нормативных требований.

8.5 Программа испытаний

8.5.1 Целевые показатели приведены в таблице 8.1.

Таблица 8.1

Целевые показатели

Категория	Метрики	Целевое значение
Классификация	mAP, Recall опасных дефектов	>= 0,85, >= 0,92
Сегментация	mIoU, Boundary IoU	>= 0,75
Геометрия дефектов	MAE глубины, MRE площади	<= 3 мм, <= 8%
Пространственная точность	Погрешность позиционирования (X, Y)	<= 0,15 м
Производительность	Время обработки 1 км дороги	<= 5 мин

8.5.2 Обязательные проверки при испытаниях

При проведении приемо-сдаточных, квалификационных и периодических испытаний системы ИИ должны выполняться следующие проверки:

а) устойчивость к шумам и помехам датчиков.

Система должна быть протестирована на данных с добавлением характерных эксплуатационных шумов (оптические помехи камер, шум лидара, дрейф IMU). Падение ключевых метрик (mAP@0.50:0.95, mIoU, MAE/RMSE геометрических параметров) при наличии таких помех не должно превышать значений, установленных в таблице 5.6;

б) соответствие допускам на геометрические параметры дефектов.

Результаты расчета длины, ширины, площади, периметра, максимальной глубины и объема дефектов должны соответствовать требованиям таблицы 5.3 и ГОСТ 32825. Проверка проводится путем сравнения с эталонными измерениями, выполненными поверенными средствами (профилографами, высокоточными лазерными сканерами, геодезическим оборудованием);

в) согласованность и повторяемость результатов при повторных прогонах.

При многократном (не менее трех) обследовании одного и того же участка дороги в сходных условиях система должна обеспечивать:

• коэффициент совпадения обнаруженных дефектов одного и того же экземпляра — не менее 95% для дефектов площадью более 0,01 м2 и глубиной более 10 мм;
• RMSE координат центроидов одних и тех же дефектов между прогонами — не более значений, указанных в таблице 5.4;
• отклонение измеряемых геометрических параметров одного и того же дефекта — не более значений MAE/RMSE из таблицы 5.3;

г) точность пространственной привязки.

Должна быть подтверждена соответствием требованиям таблицы 5.4 на всем тестовом наборе (не менее 500 км). Сравнение проводят с эталонными координатами, полученными средствами высокоточного позиционирования (RTK/PPK с точностью 0,02 м или менее в плане и 0,05 м или менее по высоте);

д) контроль ложных срабатываний для критических дефектов.

Для дефектов, представляющих непосредственную угрозу безопасности движения (выбоины и просадки глубиной более 50 мм, поперечные и продольные трещины шириной более 5 мм с раскрытием более 20 мм), FNR должна быть равна 0 на специализированном тестовом наборе, содержащем не менее 1000 экземпляров таких дефектов;

е) автоматизированное формирование выходной документации.

Система должна автоматически формировать протоколы испытаний и отчеты по формам, соответствующим ГОСТ Р 58973, включая все метрики раздела 5, матрицы ошибок, кривые точного отзыва и визуализацию сложных случаев;

ж) тестирование на данных из разных эксплуатационных доменов (OOD-тесты).

Испытания должны включать данные минимум из трех контрастных климатических зон Российской Федерации и разных типов покрытия (асфальтобетон, цементобетон, щебеночное). Падение mAP@0.50:0.95 не должно превышать 15% относительно базового набора;

и) верификация измерительного комплекса.

Перед началом испытаний ИИ-системы обязательно проводится верификация измерительного комплекса на соответствие требованиям 5.12 с оформлением отдельного протокола, который включается в общий протокол испытаний СИИ.

Примечание — Все проверки проводятся с использованием поверенного оборудования и оформляются протоколами по ГОСТ Р 58973.

8.6 Верификация и калибровка измерительного комплекса

8.6.1 Перед проведением любых видов испытаний системы ИИ (приемо-сдаточных, квалификационных, периодических) обязательно выполняется верификация и, при необходимости, калибровка измерительного комплекса в объеме, установленном 5.12.

Верификация измерительного комплекса включает проверку следующих компонентов и параметров согласно таблице 8.2.

Таблица 8.2

Состав и методы верификации измерительного комплекса

Компонент	Проверяемый параметр	Метод	Допуск
1 Оптические системы (камеры)	Внутренние и внешние параметры, разрешение по полотну, равномерность освещения	Съемка калибровочной мишени (шахматное поле), линейной миры, тестовой однородной поверхности	Согласно 5.12.2
2 Системы лазерного сканирования	Точность дальномера, плотность точек, внешняя ориентация	Сканирование эталонных сфер, плоскостей, клиньев и мишеней	Согласно 5.12.3
3 Инерциальные и GNSS/IMU-системы	Смещение нуля, масштабные коэффициенты, boresight-углы, точность RTK/PPK	Лабораторная калибровка + натурные траектории с эталонными базами	Согласно 5.12.4 и 5.12.5
4 Синхронизация сенсоров	Временнбя синхронизация всех потоков данных	Регистрация внешнего синхронизационного события (вспышка, механический маркер)	<= 1 мс

8.6.2 Результаты верификации и калибровки оформляются отдельным протоколом с указанием даты, примененных эталонов и полученных значений. Протокол является неотъемлемой частью любого протокола испытаний системы ИИ и хранится в течение всего срока эксплуатации комплекса.

8.6.3 При выявлении отклонений, выходящих за допустимые пределы, дальнейшая обработка данных и проведение испытаний системы ИИ запрещаются до устранения несоответствий и повторной успешной верификации.

8.7 Требования к отчетной документации по результатам тестирования

По результатам испытаний составляется итоговый отчет, который должен содержать следующие обязательные разделы:

а) титульный лист с идентификацией системы, организации-исполнителя, даты проведения испытаний;

б) резюме с кратким изложением основных результатов и выводов;

в) методологию испытаний с описанием тестовых наборов данных и условий тестирования;

г) результаты оценки метрик качества в соответствии с 5.9;

д) анализ ошибок и сложных случаев с визуальными примерами;

е) заключение о соответствии системы установленным требованиям.

9 Обеспечение информационной безопасности

9.1 Регулярные проверки безопасности

Регулярные проверки безопасности включают:

а) ИИ-система должна проходить ежегодные (не реже) аудиты безопасности для выявления уязвимостей (включая атаки на модели, данные и геопозиционирование);

б) дополнение — аудит должен включать тестирование на соответствие требованиям ФСТЭК России (при наличии сертификата) и профилю защиты ИИ-систем.

9.2 Контроль доступа к данным

Контроль доступа к данным включает:

а) реализацию принципа минимальных привилегий (RBAC) и строгой многофакторной аутентификации (MFA) для доступа:

1. к обучающим и тестовым наборам данных (включая геоданные и изображения);

2. к моделям ИИ и их конфигурациям;

3. к интерфейсам управления системой и результатам анализа (картам дефектов);

б) дополнение — учетные записи операторов дорожного контроля и инспекторов ГИБДД (при интеграции) должны проходить отдельную авторизацию.

9.3 Защита данных дефектов

9.4 Безопасная разработка и обучение (SecML)

• отравление данных — контроль целостности обучающих выборок, особенно для критичных классов (глубокие выбоины);
• составные атаки — тестирование устойчивости модели к искажениям изображений дорожного полотна;
• инвершн-атаки (Model Inversion/Extraction — защита эксплуатируемых моделей на крайних устройствах (контроль на автомобилях);
• атаки на геопозиционирование — обеспечение целостности данных GPS/ГЛОНАСС.

9.5 Шифрование данных

Шифрование данных включает:

а) применение алгоритмов шифрования, соответствующих ГОСТ Р 34.12, ГОСТ Р 34.13 и уровню защищенности, заявленному для СИИ;

б) шифрование передаваемых и хранимых данных: изображений, облаков точек, треков, моделей, отчетов.

9.6 Управление криптографическими ключами

Управление криптографическими ключами включает:

а) регулярная смена ключей шифрования (согласно корпоративной политике безопасности, но не реже одного раза в квартал);

б) хранение ключей в аппаратных защищенных модулях (HSM) или сертифицированных СКЗИ (по требованиям ФСТЭК России);

в) разделение ключей для данных обучения/эксплуатации/геопозиции.

9.7 Защита функциональности программного обеспечения

Защита функциональности ПО включает:

а) контроль доступа к функциям СИИ:

1. запуск/остановка анализа;

2. изменение параметров моделей;

3. экспорт данных дефектов (особенно координат);

б) защиту от НСД к API и интерфейсам управления.

9.8 Защита обучающих данных

Защита обучающих данных включает:

а) ограничение доступа к исходным обучающим наборам (включая эталонные геоданные и ручные замеры);

б) предотвращение утечек и неправомерного использования (например, для идентификации местности или объектов инфраструктуры).

9.9 Конфиденциальность тестовых данных при сертификации и порядок их уничтожения

Конфиденциальность тестовых данных при сертификации и порядок их уничтожения включают:

а) ключевое требование ФСТЭК — тестовые наборы для сертификационных испытаний на соответствие требованиям безопасности (включая ФСТЭК России) должны быть строго конфиденциальны;

б) разработчик и эксплуатирующая организация не должны иметь доступа к этим данным до и во время испытаний;

в) данные передаются и обрабатываются только аккредитованным испытательным лабораториям по защищенным каналам;

г) тестовые данные, использованные в ходе сертификационных испытаний, подлежат гарантированному уничтожению в течение 30 календарных дней после подписания итогового протокола испытаний, если иное не предусмотрено договором или требованиями действующего законодательства.

Примечание — Уничтожение данных должно проводиться с применением методов, гарантирующих невозможность их восстановления, в соответствии с ГОСТ Р 50739 или иными нормативными документами, устанавливающими требования к уничтожению информации. Факт уничтожения должен быть документально зафиксирован соответствующим актом.

9.10 Защита коммуникационных каналов

Защита коммуникационных каналов включает:

а) использование взаимной аутентификации сторон (клиент-сервер, edge-устройство-ЦОД) с применением:

1. квалифицированных электронных подписей по [5];

2. сертифицированных криптографических сертификатов (ФСБ России/ФСТЭК России);

б) применение защищенных протоколов (TLS 1.3+, IPSec) для передачи данных между компонентами системы (датчики \rightarrow автомобиль \rightarrow ЦОД).

9.11 Шифрование выходных данных

Шифрование выходных данных включает:

а) обязательное шифрование всей передаваемой информации:

1. координаты и параметры обнаруженных дефектов;

2. карты состояния дорожного покрытия;

3. отчеты для дорожных служб и органов надзора (ГИБДД);

б) использование сертифицированных средств криптозащиты (СЗИ из реестра ФСТЭК/ФСБ).

9.12 Требования к процедурам восстановления после инцидентов информационной безопасности

9.12.1 Для СИИ должен быть разработан и утвержден регламент восстановления работоспособности после инцидентов информационной безопасности, включая компрометацию модели, данных или компонентов системы.

9.12.2 Регламент должен включать следующие обязательные процедуры:

а) алгоритм действий при обнаружении компрометации:

1. немедленное извещение ответственных лиц и отключение компрометированной системы от эксплуатационной среды;

2. запуск процедуры расследования инцидента с фиксацией текущего состояния;

3. активация резервной копии системы, хранящейся в защищенной среде;

б) процедура отката к верифицированной версии:

1. восстановление из резервной копии последней проверенной и аттестованной версии модели ИИ;

2. проверка целостности и неизменности восстановленных компонентов;

3. валидация функциональности восстановленной системы на тестовых наборах данных;

в) процедура экстренного переобучения модели:

1. использование эталонных наборов данных, хранящихся в защищенной среде;

2. применение верифицированных алгоритмов обучения и метрик валидации;

3. обязательная проверка переобученной модели на устойчивость к атакам, которые привели к компрометации;

г) план возврата в эксплуатацию:

1. поэтапное внедрение восстановленной системы с усиленным мониторингом;

2. проведение приемочных испытаний восстановленной системы;

3. документальная фиксация всех этапов восстановления.

9.12.3 Резервные копии критических компонентов СИИ (моделей, конфигураций, эталонных данных) должны храниться в защищенном изолированном хранилище с регламентированным доступом и обновляться при каждом изменении эксплуатационной версии системы.

9.12.4 Периодичность тестирования процедур восстановления должна составлять не реже одного раза в 12 мес. Результаты тестирования оформляются актом и учитываются при доработке регламента.

БИБЛИОГРАФИЯ

[1]	ОДМ 218.4.039-2018	Отраслевой дорожный методический документ. Рекомендации по диагностике и оценке технического состояния автомобильных дорог
[2]	Приказ Минэкономразвития России от 21 ноября 2016 г. № 734 Об установлении формы карты-плана территории и требований к ее подготовке, формы акта согласования местоположения границ земельных участков при выполнении комплексных кадастровых работ и требований к его подготовке
[3]	Федеральный закон от 26 июня 2008 г. № 102-ФЗ «Об обеспечении единства измерений»
[4]	Федеральный закон от 27 июля 2006 г. № 152-ФЗ «О персональных данных»
[5]	Федеральный закон от 6 апреля 2011 г. № 63-ФЗ «Об электронной подписи»

УДК 004.8:625.7:006.354	ОКС 35.240.60
Ключевые слова: транспортно-эксплуатационное состояние автомобильных дорог, искусственный интеллект, распознавание дефектов, интеллектуальные транспортные системы

---