Введение
Точное моделирование скоростных режимов автотранспорта является важной задачей для проектирования безопасных и эффективных автомобильных дорог, оценки пропускной способности и анализа аварийности. Традиционные подходы к решению этой задачи основаны на применении детерминированных математических моделей, реализованных в виде специализированного программного обеспечения [1]. При этом современные исследования прогнозирования скоростей дорожного движения автомобилей показывают целесообразность совмещения моделей машинного обучения с объяснимыми методами анализа влияния дорожной сети [2; 3]. Однако ключевым ограничением таких систем остаётся значительная доля ручного, трудоёмкого и подверженного ошибкам труда на этапах подготовки и валидации разнородных исходных данных (проектные отметки, параметры транспортных средств, данные о покрытии и ограничениях), а также интерпретации объёмных результатов расчётов.
Современный этап развития цифровых технологий в инженерии характеризуется переходом от автоматизации отдельных операций к созданию интеллектуальных сред, способных управлять сложными процессами [4]. В транспортной предметной области уже сформирован отдельный корпус исследований по применению больших языковых моделей в интеллектуальных транспортных системах, дорожной безопасности и анализе мобильности [5; 6]. Концепция архитектуры на основе искусственного интеллекта (AI-Native) предлагает принципиально иной подход: искусственный интеллект рассматривается не как опциональный модуль, а как фундаментальный, системообразующий принцип архитектуры всей платформы. В такой системе интеллектуальные агенты, потоковая обработка данных и алгоритмы машинного обучения формируют ядро, которое оркеструет все этапы работы – от приёма задачи до генерации инсайтов [7].
Объектом исследования является автоматизированный технологический процесс моделирования скоростных режимов автотранспорта. Предмет исследования составляют архитектура, модели, алгоритмы и программные средства автоматизации этого процесса.
Целью данного исследования является разработка метода архитектурной организации автоматизированной системы управления расчётным процессом моделирования скоростных режимов с использованием интеллектуальных агентов.
Научная новизна работы заключается в разработке метода архитектурной организации автоматизированной системы управления расчётным процессом с использованием интеллектуальных агентов, интегрирующего принципы мультиагентных систем, платформенной инженерии и контура машинного обучения и эксплуатации [7; 8]. В отличие от существующих подходов предлагаемый метод обеспечивает управление сквозным технологическим процессом, включая обработку исключительных ситуаций и автоматическую проверку промежуточных результатов, что позволяет преодолеть разрыв между гибкостью методов искусственного интеллекта и требованием к высокой точности классических инженерных расчётов.
В работе используются следующие понятия.
Архитектура на основе искусственного интеллекта (AI-Native) – подход к проектированию систем, при котором методы искусственного интеллекта являются не надстройкой, а фундаментальным принципом организации всех информационных потоков и управляющих воздействий.
Интеллектуальный агент – программный компонент, обладающий автономией, способностью к целенаправленному поведению и взаимодействию с другими агентами и средой для выполнения поставленных задач.
Оркестратор – компонент, управляющий последовательностью выполнения задач, координацией агентов и обработкой исключительных ситуаций в рамках сквозного технологического процесса.
Самообучающаяся экосистема – архитектурный принцип, при котором каждый выполненный расчёт и корректировка пользователя обогащают платформу данных, становясь основой для дообучения моделей.
«Золотые пути» (golden paths) – стандартизированные шаблоны технологических процессов для типовых сценариев моделирования, обеспечивающие повторяемость и управляемость.
«Единый источник истины» (single source of truth) – принцип организации данных, при котором все компоненты системы используют согласованные данные из единого хранилища, исключающего противоречия.
Коэффициент безопасности – отношение скорости движения, обеспечиваемой данным участком дороги, к максимальной скорости на предшествующем участке; значения менее 0,4 характеризуют очень опасные участки, 0,4–0,6 – опасные, 0,6–0,8 – малоопасные, более 0,8 – практически не опасные [1; 9].
Рис. 1. Высокоуровневая архитектура AI-Native-платформы для моделирования скоростных режимов Источник: составлено авторами
Материалы и методы исследования
В основе методологии проектирования платформы лежит принцип «платформа как продукт» (Platform-as-a-Product), направленный на предоставление пользователю (инженеру-расчётчику) целостного, удобного сервиса для решения его задачи, а не набора разрозненных инструментов. Это достигается за счёт создания стандартизированных «золотых путей» (golden paths) – шаблонов рабочих процессов (workflow) для типовых сценариев моделирования.
Для реализации AI-Native-подхода была применена агентно-ориентированная парадигма с формализацией проектных решений [10-12]. Система декомпозирована на кооперирующихся интеллектуальных агентов, каждый из которых обладает автономией и специализацией. Это согласуется с трендом на переход от систем, автоматизирующих вычисления, к системам, автоматизирующим интеллектуальные этапы работы с данными и знаниями.
Архитектура платформы реализована в виде четырёх логически связанных слоёв (рис. 1).
Слой взаимодействия (Interaction Layer)
Обеспечивает мультимодальный интерфейс для пользователя. Ключевым компонентом является LLM-агент-коммуникатор, который принимает задачи, сформулированные на естественном языке (например, «смоделируй движение КамАЗа на горном участке»), и преобразует их в формализованный технический запрос, идентифицируя тип задачи, целевые объекты и параметры [5; 6; 13].
Слой AI-сервисов (AI Services Layer)
Ядро интеллектуальной обработки. Включает:
▪ Workflow-оркестратор. Управляет последовательностью выполнения задач на основе предопределённых сценариев (например, «парсинг → валидация → расчёт → анализ»). Координирует работу агентов, обрабатывает исключения.
▪ Специализированные агенты. Агент-парсер (извлекает структурированные массивы данных – отметки, радиусы кривых – из загруженных файлов CSV, Excel, PDF), агент-валидатор (проверяет физическую реализуемость и корректность данных на соответствие ГОСТам, отраслевым нормам и логическим ограничениям), агент-аналитик (обрабатывает сырые результаты моделирования, выявляет аномалии, выделяет участки с низким коэффициентом безопасности, формулирует предварительные текстовые выводы).
Слой детерминированных расчётов (Deterministic Computation Layer)
Содержит верифицированные, традиционные расчётные модули, обеспечивающие точность и научную обоснованность результатов. В ядре платформы реализован алгоритм моделирования скоростных режимов, основанный на теории расчёта скорости движения автомобилей и уравнениях динамики транспортного средства. Доступ к этому слою строго регламентирован: вызов происходит только после успешного прохождения валидации входных данных.
Единая платформа данных (Unified Data Platform)
Обеспечивает целостность, согласованность и доступность всех информационных активов. Объединяет векторную базу данных для хранения онтологии предметной области и семантического поиска, хранилище исходных данных, хранилище результатов всех выполненных расчётов и систему метаданных. Реализует принцип «единого источника истины», что исключает противоречия в данных, используемых AI-моделями и расчётными модулями.
Технологический стек и MLOps. Платформа построена на основе микросервисной архитектуры с использованием контейнеризации (Docker) и оркестрации (Kubernetes). Для управления жизненным циклом ML-моделей (LLM-агентов, моделей классификации документов [14]) реализован базовый контур машинного обучения и эксплуатации, включающий сохранение версий моделей и данных с использованием специализированных средств [15; 16], отслеживание изменения характеристик данных на основе статистических критериев, контроль качества моделей по метрикам точности на проверочной выборке, механизм возврата к предыдущей стабильной версии модели при обнаружении критического ухудшения качества или изменении свойств данных, а также контур с участием человека в процессе принятия решения о продвижении модели на следующий этап жизненного цикла [8].
Схема управления технологическим процессом. Управление процессом расчёта реализовано на основе формальной схемы, включающей следующие элементы: входные данные (проектная документация, параметры транспортных средств, запрос пользователя); выходные данные (профили скоростей, коэффициенты безопасности, отчёты); управляющие воздействия (команды оркестратора на запуск агентов, изменение параметров расчёта); контрольные точки (завершение извлечения данных, успешная проверка, получение результатов расчёта). Обратная связь реализована через механизм отслеживания выполнения задач и систему регистрации событий, позволяющую контролировать статус каждого этапа. Обработка исключительных ситуаций включает автоматический перезапуск агентов при сбоях, перенаправление задач на резервные экземпляры и уведомление пользователя о критических ошибках.
Результаты исследования и их обсуждение
В результате проектирования и реализации создан действующий прототип AI-Native-платформы для моделирования скоростных режимов [17]. Ключевым архитектурным результатом является успешная интеграция четырёх слоёв в целостную систему, обеспечивающую сквозную автоматизацию типового процесса моделирования.
Результат функционирования платформы проиллюстрирован на примере кейса: пользователь формулирует запрос «Рассчитай профиль скоростей для грузового автомобиля МАЗ-504 на горном участке трассы длиной 30 км с максимальным уклоном 4%. Учти ограничение скорости в населенных пунктах и кривые радиусом менее 2000 м» и загружает CSV-файл с пикетажными отметками (рис. 2). LLM-агент-коммуникатор классифицирует запрос, извлекает сущности (тип ТС, длина, параметры ограничения) и инициирует рабочий процесс.
Агент-парсер обрабатывает CSV-файл, извлекая массив отметок. Агент-валидатор проверяет физическую реализуемость профиля (например, отсутствие обрывов >20 м между пикетами) и корректность формата.
После успешной валидации оркестратор вызывает API детерминированного ядра, передавая ему структурированный пакет входных данных. Ядро выполняет симуляцию и возвращает массив скоростей, времен и коэффициентов безопасности по пикетам. Агент-аналитик обрабатывает эти данные, выделяя участки с минимальным коэффициентом безопасности (<0.6) и формируя текстовый вывод для пользователя. Весь процесс, от загрузки файла до получения интерпретированного результата, выполняется без ручного вмешательства на этапах парсинга, валидации и первичного анализа. В демонстрационном расчёте (длина участка 30 км) платформа сформировала итоговые показатели: средняя скорость 61,7 км/ч, коэффициент безопасности 0,66; время вычисления детерминированного ядра составило 1,7 мс (рис. 3).
Таким образом, основным функциональным результатом является сокращение операционного времени инженера-расчётчика и потенциальное снижение риска ошибок при условии успешной проверки входных данных и корректной настройки модели.
Рис. 2. Интерфейс AI-Native-платформы Источник: составлено авторами по результатам данного исследования и на основании: URL: https://ai-traffic.asumadi.ru/
Рис. 3. Результаты расчётов
Рутинные и критические с точки зрения внимательности этапы подготовки данных и первичной обработки результатов передаются агентам. Инженер сосредоточивается на постановке задачи, анализе итоговых выводов и принятии нестандартных решений, выступая в роли «менеджера» для коллектива интеллектуальных агентов. При этом платформа представляет собой прототип, предназначенный для исследовательских и экспериментальных целей, и не может рассматриваться как готовая система для принятия решений по безопасности дорожного движения без дополнительной проверки на реальных объектах.
Предложенная архитектура демонстрирует практический путь построения специализированной AI-Native-системы для конкретной инженерной дисциплины. Основное преимущество подхода – создание самообучающейся экосистемы: каждый выполненный расчёт, каждая корректировка пользователя обогащают единую платформу данных, становясь основой для дообучения моделей и улучшения эвристик агентов. Это формирует положительную обратную связь, способствующую повышению точности и интеллекта платформы по мере накопления данных.
Сравнение с традиционными инструментами. Классическое моделирование в специализированном ПО представляет собой линейный процесс с полностью ручным управлением данными. AI-Native-платформа трансформирует его в параллельный, интегрированный и управляемый высокоуровневыми целями рабочего процесса, где пользователь взаимодействует с системой на концептуальном, а не операционном уровне.
Выявленные проблемы и ограничения типичны для проектов, основанных на данных и машинном обучении.
Зависимость от качества данных. Эффективность агентов-парсеров и валидаторов напрямую определяется объёмом и репрезентативностью размеченных датасетов для инженерных документов, создание которых остаётся ресурсоёмкой задачей.
Интерпретируемость (Explainability). Решения и рекомендации, предлагаемые агентом-аналитиком, особенно в неоднозначных ситуациях, требуют возможности «обоснования» для принятия их ответственным инженером. Интеграция методов объяснимого ИИ (XAI) – необходимое направление развития [2].
Интеграция в существующие процессы. Внедрение платформы в действующий технологический процесс предприятия требует разработки адаптеров для существующих САПР, GIS и систем управления данными, что представляет отдельную инженерную задачу.
Перспективы развития связаны с углублением автономии и расширением функциональности системы. Приоритетными являются следующие направления:
- реализация агента-оптимизатора, способного не только выполнить расчёт по заданным параметрам, но и предложить инженеру варианты модификации исходных данных (профиля, плана) для достижения целевых показателей безопасности или эффективности [1];
- расширение онтологии и базы знаний платформы для поддержки мультидисциплинарного моделирования, например совместного расчёта скоростных режимов и оценки воздействия на окружающую среду;
- усиление MLOps-контура до промышленного уровня с развитыми системами мониторинга дрейфа данных, автоматического переобучения и управления экспериментированием (A/B-тестирование моделей) [13].
Заключение
В статье представлена и детально описана архитектура платформы на основе искусственного интеллекта, предназначенной для существенной трансформации процесса моделирования скоростных режимов автотранспорта. Показано, как интеграция принципов мультиагентных систем, платформенной инженерии и унифицированного управления данными позволяет перейти от использования искусственного интеллекта как инструмента постобработки к построению системы, где он является ядром, организующим весь технологический рабочий процесс от постановки задачи до анализа.
Ключевыми результатами являются многоуровневая архитектура, обеспечивающая четкое разделение ответственности между интеллектуальными агентами, детерминированными расчётными модулями и данными; функционирующий прототип, демонстрирующий возможность полной автоматизации рутинных этапов работы с данными в процессе моделирования; а также концептуальное обоснование новой роли инженера как стратега и управляющего интеллектуальной расчётной системой, а не оператора, выполняющего рутинные операции.
Разработка подтверждает актуальность тренда на создание экосистем на основе искусственного интеллекта в инженерном программном обеспечении и предлагает архитектурный шаблон для его реализации в области транспортного моделирования. Дальнейшая работа будет направлена на повышение интеллектуального уровня агентов за счёт внедрения методов оптимизации и усиления промышленного контура машинного обучения и эксплуатации для обеспечения надёжной эксплуатации платформы.
Конфликт интересов
Финансирование
Библиографическая ссылка
Остроух А.В., Подберёзкин А.А., Пронин Ц.Б., Поспелов П.И., Котов А.А. АРХИТЕКТУРА AI-NATIVE-ПЛАТФОРМЫ ДЛЯ МОДЕЛИРОВАНИЯ СКОРОСТНЫХ РЕЖИМОВ АВТОТРАНСПОРТА // Современные наукоемкие технологии. 2026. № 7. С. 140-147;URL: https://top-technologies.ru/ru/article/view?id=40869 (дата обращения: 12.08.2026).