В условиях цифровизации промышленности возрастает потребность в интеллектуальных системах поддержки принятия решений, способных эффективно извлекать знания из массивов нормативно-технической документации. В статье рассматриваются интеллектуальные вопрос-ответные системы на основе технологии генерации, дополненной поиском (Retrieval-Augmented Generation, RAG), применительно к специализированному корпусу нормативно-технических документов железнодорожной отрасли. Проводится сравнительный анализ ряда методов повышения точности RAG-систем, включая стратегии обработки запросов (HyDE, Step-Back, Multi-Query, Decomposition, Pseudo-Relevance Feedback, Recursive Refinement), двухэтапное извлечение с использованием кросс-энкодера текстовых фрагментов (вопроса и нормативного пункта), а также дообучение моделей эмбеддинга текстовых фрагментов на синтетических парах «вопрос - нормативный пункт». Эксперименты показывают, что наиболее существенный прирост качества поиска обеспечивает предметное дообучение моделей эмбеддинга. Применение кросс-энкодера также дает положительный эффект, особенно для моделей с изначально менее точным ранжированием. В то же время продвинутые стратегии обработки запросов не приводят к значимому повышению качества извлечения по сравнению с базовым подходом. Сформированные корпус документов, наборы вопросов и программный код размещены в открытом доступе.

В настоящее время для решения задач, связанных с поиском и распознаванием объектов под землёй, часто используется георадар. Это позволяет получать богатую информацию об исследуемой местности на различной глубине, однако ручная интерпретация радарограмм связана с большими трудозатратами. В данной работе предлагается метод GeoRTr для автоматического нахождения подземных объектов интереса на основе нейронной сети оригинальной архитектуры с механизмом внимания GeoAttention, на вход которой подаются A-сканы георадара, установленного на колёсном роботе, перемещающемся в автоматическом либо полуавтоматическом режиме. Предлагаемая нейросетевая модель позволяет учитывать пространственные взаимосвязи между A-сканами георадара даже в тех случаях, когда траектория движения робота отличается от прямой линии. С использованием мобильного колёсного робота и георадара, антенна которого установлена на небольшой высоте над анализируемой поверхностью, собран и размечен уникальный набор данных для распознавания объектов нескольких категорий, находящихся под поверхностью земли. Эксперименты с разработанной нейросетевой моделью на собранном наборе данных продемонстрировали F1-меру классификации свыше 40%, что превосходит по качеству методы-аналоги. В ходе сравнительного анализа различных вариаций архитектуры модели выделены две конфигурации для разных условий решения задачи георадарного исследования.

Автономная навигация мобильного робота в человеко-ориентированных средах требует наличия карты, которая является не только геометрической моделью среды для планирования маршрутов, но также содержит информацию об объектах среды (двери, мебель, офисная техника и т.д.). Такое представление карты обеспечивают графы сцены, в которых вершинами являются помещения, локации и объекты, а ребра кодируют пространственные связности или отношения между объектами. Большинство современных методов построения графов сцены обладают высокой вычислительной сложностью, и построенные ими графы являются избыточными для обеспечения автономной навигации робота. В данной работе предлагается метод построения компактных графов сцены (Compact Scene Graph, CSG), в основе которого лежит вычислительно эффективный метод топологического картирования PRISM-TopoMap и привязка семантических объектов к локациям топологической карты. Построенный граф сцены позволяет строить маршруты до объектов по локациям топологической карты и осуществлять локализацию с высокой точностью. Предложенный метод был экспериментально исследован в симуляционной среде Habitat. Результаты экспериментов показали, что предложенный CSG потребляет значительно меньше памяти, чем традиционные метрические карты и графы сцен, и обеспечивает надежную локализацию по топологической карте за счет привязки к семантическим объектам.

Цель исследования – сопоставить результаты One-Class Support Vector Machine (One-Class SVM) и DBSCAN при обнаружении статистических аномалий в данных мониторинга нефтяной скважины и оценить возможность их совместного использования. В анализе использованы шесть параметров многофазного измерителя; после преобразования методом главных компонент (PCA) они представлены тремя главными компонентами, сохраняющими 89,86% общей дисперсии. На выборке из 8639 наблюдений One-Class SVM выявил 424 аномальные точки, DBSCAN – 188; 85 наблюдений обнаружены обоими методами. Для классификации режимов течения по уровню газосодержания SVM с RBF-ядром (C = 100,0, gamma = 1,0) на стратифицированном разбиении 70/30 показал точность 98,26% при F1-мере 0,97–0,99. При 5-кратной стратифицированной кросс-валидации F1_macro составила 0,9853±0,0026. Совместное рассмотрение результатов позволяет выделять согласованные двумя методами, обнаруженные только SVM и обнаруженные только DBSCAN статистические выбросы для последующей экспертной проверки.

В системах воздушного наблюдения единичная ошибка обнаружения может закрепиться в виде устойчивого ложного трека и повлиять на данные, передаваемые последующим компонентам. Цель работы – уменьшить число таких ошибок, заранее ограничив масштаб вмешательства и сохранив возможность проследить логику каждого решения. Предложен внешний метод кратковременной задержки эпизодов инициации треков с низкой поддержкой. Число задержек регулируется накопительным бюджетом, а для каждого эпизода сохраняются оценка поддержки, текущий баланс бюджета, причина вмешательства и конечный статус. Метод апробирован на семи видеопоследовательностях из общедоступного набора аэросъёмки, содержащего малые объекты, частичные перекрытия и заметные изменения масштаба. В эксперименте сравнивались три алгоритма сопровождения и обучаемый метод на основе ансамбля решающих деревьев. Для ByteTrack задержка была применена к 2,62% эпизодов инициации, из оперативного выхода исключены 425 ложных наблюдений и 176 ложных инициаций, а изменение объединённого показателя точности и полноты осталось в пределах установленного допуска. Для OC-SORT и SORT снижение ложных наблюдений по принятому статистическому критерию не подтверждено. Проверка 29 385 начальных фрагментов видеозаписей не выявила нарушений заранее заданных ограничений. Средние дополнительные вычислительные затраты составили 0,901 миллисекунды на кадр. Результаты показывают, что кратковременная задержка может сократить число ложных наблюдений при контролируемом масштабе вмешательства.

В статье представлена методика количественной оценки полноты, достоверности и качества первичных данных, собираемых в рамках мониторинга инфраструктуры интеллектуальных транспортных систем на автомобильных дорогах общего пользования Российской Федерации. Актуальность исследования обусловлена необходимостью формализованного контроля качества исходной информации, используемой для формирования сводных перечней оборудования ИТС и последующего анализа состояния цифровой дорожной инфраструктуры. Предложенная методика является инструментом проверки достоверности и полноты первичных данных, на основе которых такой анализ выполняется. Научная новизна работы заключается в разработке системы взаимосвязанных критериев и интегральных индексов, предназначенных для количественной оценки полноты и достоверности данных мониторинга ИТС, а также формирования сводного индекса качества информации. Методика включает расчет частных критериев качества данных, формирование интегрального индекса полноты данных, интегрального индекса достоверности данных и интегрального индекса качества информации. Предложенный подход обеспечивает воспроизводимость расчетов, сопоставимость результатов мониторинга и возможность последующей автоматизации процедур оценки качества данных мониторинга ИТС.

В статье рассматривается проблема разрозненного применения инструментов транспортного планирования и интеллектуальных транспортных систем (ИТС) в городских агломерациях. Актуальность исследования обусловлена ростом уровня автомобилизации в Российской Федерации на 22% в 2013-2023 гг. и сохранением высокого уровня аварийности: в 2024 г. зарегистрировано 132 037 ДТП, в которых погибли 14 403 человека. Изолированное использование этих инструментов приводит к локальной оптимизации, когда улучшения на одном участке ухудшают ситуацию на смежных. Цель работы – анализ эффективности совместной разработки документов транспортного планирования и локальных проектов ИТС, выявление точек интеграции. Методология основана на системном и нормативно-правовом анализе, эмпирической базой стали данные Росстата, Минтранса России и результаты внедрения ИТС в 62 агломерациях. Формализованы четыре типа точек интеграции (информационная, целевая, оценочная, нормативная). Предложена система ключевых показателей эффективности по критериям безопасности дорожного движения, организации дорожного движения, комфорта и экологии. Установлены нормативные барьеры, включая отсутствие обязательной транспортной модели для начальных уровней зрелости ИТС. Обоснована итерационная схема «модель - проект - данные - модель». Сделан вывод о необходимости институциональных изменений для достижения синергетического эффекта.

В работе систематизированы результаты научно-практической конференции «PRO//Движение. Транспортные системы управления» (18-20 августа 2026 г., г. Нижний Новгород), посвященной цифровизации перевозочного процесса, искусственному интеллекту и роботизации железнодорожного транспорта. В конференции приняли участие представители руководства холдинга «Российские железные дороги», научного отраслевого комплекса, а также производственных предприятий – руководители, ученые и инженеры. Рассмотрены целевая модель управления грузопотоками, проект «Цифровая железнодорожная станция», технологии виртуальной сцепки, технического зрения, прогнозной диагностики и физического искусственного интеллекта. Особое внимание уделено роли научной деятельности АО «НИИАС» в формировании единой архитектуры данных, моделей и исполнительных систем, а также вопросам функциональной безопасности, экономической эффективности и тиражирования разработок. Обсуждены перспективы развития искусственного интеллекта в железнодорожной отрасли.