UDC 656.13
The article is devoted to the development of an improved method for diagnosing automobile roads using a 3D scanning device. The results of the study are presented, confirming the relationship between the state of the road infrastructure and accident rates. A comprehensive road condition management system is proposed, which includes eight consecutive stages.
ROAD TRAFFIC SAFETY, ROAD DIAGNOSTICS, GYROSCOPIC STABILIZER, CORRELATION ANALYSIS
1 Состояние вопроса исследования и актуальность работы
Повышение безопасности дорожного движения остается приоритетной задачей национального масштаба, регламентированной Федеральным законом «О безопасности дорожного движения». В условиях активного развития дорожной инфраструктуры особую актуальность приобретает проблема соответствия технических средств организации дорожного движения (ТСОДД) установленным нормативам, поскольку их некорректное применение напрямую влияет на показатели аварийности.
Современное состояние дорожно-транспортной сети характеризуется наличием системных нарушений в обустройстве автомобильных дорог. Согласно статистическим данным в течении первых 6 месяцев 2025 года 30,9 % от общего числа ДТП были связаны с недостатками эксплуатационного состояния и обустройства дорог. Наиболее критичными нарушениями, оказывающими влияние на безопасность дорожного движения, являются:
- отсутствие или недостаточная видимость горизонтальной разметки (70,4 % от ДТП с нарушениями дорожных условий);
- отсутствие дорожных знаков в необходимых местах (14,1 %);
- неправильное применение и плохая видимость установленных знаков (11,9 %) [1].
Анализ структуры аварийности демонстрирует устойчивую зависимость между состоянием дорожной инфраструктуры и тяжестью последствий ДТП. Наибольшую опасность представляют съезды с дороги (11 погибших на 100 пострадавших) и наезды на препятствия (9 погибших на 100 пострадавших). При этом в темное время суток тяжесть последствий ДТП достигает 10,4 погибших на 100 пострадавших, что более чем в 1,5 раза превышает аналогичный показатель для светлого времени суток (6,5 погибших на 100 пострадавших).
Распределение основных видов ДТП показывает, что столкновения транспортных средств (44,5 %), наезды на пешеходов (24,9 %) и съезды с дороги (10,7 %) в совокупности обусловливают 84,5 % всех погибших в дорожно-транспортных происшествиях. Наиболее частыми нарушениями ПДД, приводящими к тяжелым последствиям, являются выезд на полосу встречного движения (1466 погибших) и несоответствие скорости конкретным условиям движения (1444 погибших) [2].
Указанные статистические данные подтверждают необходимость разработки современных подходов к диагностике и мониторингу состояния дорожной инфраструктуры. Внедрение высокоточных методов оценки соответствия ТСОДД нормативным требованиям представляется перспективным направлением для снижения аварийности и повышения безопасности дорожного движения [3, 4].
2 Материалы и методы
В весенне-летний период 2025 года в ходе диагностики автомобильных дорог Северо-Западного федерального округа был проведен выборочный сбор данных для определения их соответствия нормативным требованиям (ГОСТ Р 52289-2019 «Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств» и ГОСТ 32945 «Дороги автомобильные общего пользования. Знаки дорожные. Технические требования»). В результате обследования зафиксированы характерные нарушения, системный анализ которых выявил следующие основные проблемы:
1. Отсутствие или недостаточная видимость горизонтальной разметки;
2. Отсутствие дорожных знаков в необходимых местах;
3. Некорректное применение и плохая различимость установленных знаков.
На рис. 1, а показан пешеходный переход, где отсутствует горизонтальная разметка 1.14.1, а знаки 5.19.1 и 5.19.2 имеют уменьшенный типоразмер, не оборудованы световозвращающими флуоресцентными щитами, причем знак справа 5.19.1 деформирован. Рис. 1, б демонстрирует участок дороги с кривой в плане радиусом менее 600 м, на котором отсутствует дорожный знак 1.34.3 «Направление поворота». На рис. 1, в зафиксировано противоречие между горизонтальной разметкой 1.1 (запрещающей обгон) и знаком 3.21 «Конец запрещения обгона» (разрешающим обгон с места установки).
а – отсутствие или недостаточная видимость горизонтальной разметки; б – отсутствие дорожных
знаков в необходимых местах; в – некорректное применение и плохая различимость
установленных знаков
Рисунок 1 – Несоответствия дорог нормативным требованиям
Статистические данные по выявленным несоответствиям (количество несоответствий по указанным видам на определенной дороге) систематизированы в табл. 1, где левый столбец содержит порядковые номера обследованных дорог, а правые столбцы отражают виды несоответствий: 1 – отсутствие, плохая различимость горизонтальной разметки; 2 – отсутствие дорожных знаков в необходимых местах; 3 – неправильное применение, плохая видимость дорожных знаков.
Для выявления взаимосвязи между несоответствиями дорог нормативным требованиям и показателями ДТП проведен корреляционный анализ с расчетом коэффициента корреляции Пирсона [5]. Исходные данные сформированы в виде сводной табл. 2, где X – количество выявленных несоответствий дорог нормативным требованиям; Y – данные количества ДТП. Данные по количеству ДТП взяты за первые 6 месяцев 2025 года. В первой строке n = 1 в столбце X указано количество выявленных несоответствий отсутствия, плохой различимости горизонтальной разметки, в столбце Y – количество ДТП, в местах совершения которых фиксировались отсутствие или плохая различимость горизонтальной разметки проезжей части. Во второй строке n = 2 указаны оба показателя, в которых фиксировалось отсутствие дорожных знаков в необходимых местах. В третьей строке n = 3 – неправильное применение, плохая видимость дорожных знаков. В четвертой строке n = 4 – указаны данные о ДТП из-за несоответствия скорости конкретным условиям. Учитывая, что лишь 30,9 % ДТП непосредственно связаны с нарушениями обязательных требований к эксплуатационному состоянию и обустройству автомобильных дорог общего пользования, значения Y для строк n = 4-8 скорректированы с применением коэффициента 0,309. В четвертой строке учтены виды несоответствий 2 и 3, так как данный вид нарушения ПДД мог быть вызван и отсутствием горизонтальной разметки, и отсутствием дорожных знаков. В пятой строке n = 5 указано количество ДТП с таким видом нарушения ПДД, как выезд на полосу встречного движения. В этой строке в столбце несоответствий дорог нормативным требованиям учитываются виды 1, 2 и 3. В шестой строке n = 6 приведено количество ДТП со съездом с дороги. Учтены виды несоответствий дороги нормативным требованиям 2 и 3. В седьмой строке n = 7 приведено количество ДТП, случившихся в темное время суток. Учтены виды несоответствий дороги нормативным требованиям 1, 2 и 3. В восьмой строке n = 8 приведено количество такого вида ДТП, как наезд на пешехода. Учтены виды несоответствий дороги нормативным требованиям 1, 2 и 3.
Таблица 1 – Статистические данные несоответствий дорог нормативным требованиям
|
п/н дороги |
Виды несоответствий |
п/н дороги |
Виды несоответствий |
||||
|
1 |
2 |
3 |
1 |
2 |
3 |
||
|
1 |
1 |
3 |
2 |
18 |
1 |
- |
1 |
|
2 |
- |
- |
1 |
19 |
- |
- |
1 |
|
3 |
1 |
2 |
- |
20 |
1 |
- |
- |
|
4 |
1 |
- |
1 |
21 |
1 |
- |
- |
|
5 |
1 |
1 |
1 |
22 |
2 |
- |
- |
|
6 |
- |
- |
2 |
23 |
- |
2 |
- |
|
7 |
- |
- |
2 |
24 |
- |
2 |
- |
|
8 |
1 |
- |
1 |
25 |
- |
1 |
1 |
|
9 |
2 |
- |
- |
26 |
1 |
2 |
- |
|
10 |
- |
- |
3 |
27 |
- |
1 |
- |
|
11 |
1 |
1 |
1 |
28 |
1 |
- |
- |
|
12 |
- |
- |
12 |
29 |
3 |
- |
- |
|
13 |
2 |
2 |
13 |
30 |
4 |
- |
- |
|
14 |
1 |
2 |
14 |
31 |
- |
- |
2 |
|
15 |
1 |
1 |
15 |
32 |
- |
- |
1 |
|
16 |
- |
- |
16 |
∑ |
26 |
21 |
24 |
|
17 |
- |
1 |
17 |
|
|
|
|
Таблица 2 – Сводные данные для корреляционного анализа
|
Виды несоответствий |
Виды ДТП |
n |
X |
Y |
|
1 |
- |
1 |
26 |
12167 |
|
2 |
- |
2 |
21 |
2437 |
|
3 |
- |
3 |
24 |
2057 |
|
2, 3 |
несоответствие скорости |
4 |
45 |
3228 |
|
1, 2, 3 |
выезд на полосу |
5 |
71 |
1310 |
|
2, 3 |
съезд с дороги |
6 |
45 |
1834 |
|
1, 2, 3 |
в темное время суток |
7 |
71 |
5028 |
|
1, 2, 3 |
наезд на пешехода |
8 |
71 |
4297 |
Коэффициент корреляции Пирсона r является метрикой, количественно оценивающей степень линейной взаимосвязи между двумя переменными [6]:
где 
– коэффициент корреляции Пирсона; 
– объем выборки; 
– i-тый элемент выборки X; 
– i-ый элемент выборки Y; 
– среднее значение выборки X; 
– среднее значение выборки Y.
Линейный характер зависимости проявляется в пропорциональном изменении одной переменной относительно другой. Диапазон значений данного коэффициента находится в интервале от -1 до 1, где:
– r = 1 отражает строгую прямую пропорциональность – рост одной переменной сопровождается систематическим увеличением другой;
– r = -1 указывает на идеальную отрицательную линейную зависимость – увеличение значений одной переменной происходит одновременно с уменьшением другой;
– r = 0 констатирует отсутствие линейной корреляции между анализируемыми параметрами.
Полученный коэффициент корреляции представляет собой выборочную оценку, которая может отличаться от генерального параметра. Для определения точности оценки строится доверительный интервал с использованием z-преобразования Фишера:
где r – коэффициент корреляции Пирсона.
Стандартная ошибка se вычисляется по формуле:
Границы доверительного интервала для z определяются через квантиль стандартного нормального распределения c для заданной доверительной вероятности γ = 95 % [7]:
где 
– функция обратного стандартного распределения; γ – доверительная вероятность.
Нижняя граница доверительного интервала 
:
Верхняя граница доверительного интервала 
:
Обратное преобразование Фишера позволяет получить итоговые границы для коэффициента корреляции.
Нижняя граница 
:
Верхняя граница 
:
3 Результаты исследований
Несмотря на выявленную отрицательную направленность связи принципиально важным результатом является статистически подтвержденное наличие линейной зависимости (r ≠ 0) между уровнем несоответствия дорог нормативным требованиям и показателями ДТП. Это подтверждает теоретическую предпосылку о влиянии состояния дорожной инфраструктуры на безопасность движения.
Для получения более надежных выводов необходимы дальнейшие исследования с привлечением репрезентативных данных за многолетний период, что позволит нивелировать сезонные колебания и повысить достоверность результатов.
Таблица 3 – Результаты корреляционного анализа
|
Коэффициент корреляции Пирсона |
-0,2088 |
|
n (объем выборки) |
8 |
|
z |
-0,21192 |
|
se |
0,447214 |
|
c_95 % |
-0,27932 |
|
нижняя 95 % граница zL |
-0,08701 |
|
верхняя 95 % граница zU |
-0,33684 |
|
нижняя 95 % граница rL |
-0,08679 |
Для повышения достоверности анализа влияния состояния дорожной инфраструктуры на аварийность необходимы точные методы диагностики. Особую актуальность приобретает использование современных мобильных комплексов, позволяющих получать объективные пространственные данные о параметрах дорожного обустройства.
Современные передвижные дорожно-транспортные лаборатории представляют собой мобильные измерительные комплексы на автомобильном шасси, оснащенные высокоточными системами для комплексной оценки транспортно-эксплуатационного состояния автомобильных дорог [8].
Данные лаборатории фиксируют широкий спектр параметров: длину пройденного пути, географические координаты, геометрические параметры автомобильной дороги (продольный и поперечный уклоны, профили дороги), а также выполняют панорамную видеосъемку, определяют микропрофиль, диагностируют дефекты покрытий, измеряют колейность, регистрируют интенсивность движения и оценивают коэффициент сцепления [9].
Перспективным направлением является оснащение таких лабораторий лазерными сканерами (лидарами), существенно повышающими точность мониторинга дорожной инфраструктуры [10]. Однако на качество измерений влияют внешние факторы: температурные изменения, вибрации и помехи. Ключевой проблемой остаются колебания кузова лаборатории при движении, минимизированные в представленной конструкции посредством двухосного гироскопического стабилизатора.
В исследовании использовалась лаборатория на базе Ford Transit с измерительным комплексом КП-514 RDT (рис. 2). На крыше автомобиля размещен лидар HESAI Pandar128 механического типа с круговым обзором, установленный через опорную стойку на гиростабилизаторе. Двухосная система с моментными двигателями компенсирует угловые отклонения от неровностей дорожного полотна, обеспечивая стабильность сканирования.
Лидар генерирует до 2 млн точек в секунду, формируя детализированное облако точек с привязкой к координатам через интегрированную навигационную систему передвижной дорожно-транспортной лаборатории. Совмещение лидарных данных с фото- и видеоматериалами в программной среде VisionLidar 365 позволяет точно идентифицировать объекты дорожной инфраструктуры и анализировать их пространственное взаиморасположение [11, 12].
Внедрение данной лаборатории позволит существенно повысить точность и детализацию диагностических данных за счет применения стабилизированного сканирующего устройства. Комплексный подход к сбору параметров дорожной инфраструктуры обеспечит интегральную оценку транспортно-эксплуатационных качеств. Цифровизация процессов мониторинга исключит субъективный фактор и создаст основу для перехода к предиктивной системе содержания дорог на основе прогнозных моделей [13].
Рисунок 3 – Синхронизация облака точек и видеоматериала
4 Обсуждение и заключение
В рамках исследования предложена усовершенствованная схема системы управления состоянием автомобильных дорог, включающая восемь последовательных этапов (рис. 4).
На этапе оценки состояния дороги и дорожной инфраструктуры особую важность приобретает идентификация аварийно-опасных участков дороги в соответствии с установленным законодательством критериями. Использование предложенной диагностической методики позволит своевременно выявлять участки повышенной опасности, места концентрации ДТП.
Проведенное исследование подтвердило наличие статистически значимой связи между состоянием дорожной инфраструктуры и показателями ДТП. Установлено, что системные нарушения в обустройстве автомобильных дорог, включая отсутствие или недостаточную видимость горизонтальной разметки, отсутствие дорожных знаков в необходимых местах, а также их некорректное применение, являются существенными факторами риска возникновения ДТП.
Предложенный способ диагностики с применением передвижной дорожно-транспортной лаборатории, оснащенной лидаром на гироскопическом стабилизаторе, позволяет получать объективные пространственные данные о параметрах дорожной инфраструктуры. Использование стабилизированного сканирующего устройства обеспечивает повышение точности измерений по сравнению с традиционными методами диагностики. Это особенно значимо для выявления аварийно-опасных участков дороги.
Рисунок 4 – Этапы системы управления состоянием автомобильных дорог
1. Road Safety Indicators. [Electronic resource]. URL: http://stat.gibdd.ru/ (date accessed: 10.10.2025).
2. Road traffic accidents in the Russian Federation for 6 months of 2025: Information and an-alytical review / K. S. Bakanov, P. V. Lyakhov, A. S. Aisanov [et al.]. - Moscow: Federal State Institution "National Center for Road Safety of the Ministry of Internal Affairs of Russia", 2025. - 37 p. - EDN OSCTIS.
3. Baskov, V. N. Influence of road network parameters on the formation of accident concen-tration areas / V. N. Baskov, E. I. Isaeva // World of Transport and Technological Machines. - 2023. - No. 3-5 (82). - P. 49-57. – DOIhttps://doi.org/10.33979/2073-7432-2023-3-5(82)-49-57. – EDN NRENIS.
4. Monitoring, diagnostics and assessment of the condition of roads / S. V. Efimenko, V. N. Efimenko, V. S. Churilin, M. V. Badina. – Tomsk: Tomsk State University of Architecture and Civil Engineering, 2023. – 128 p. – ISBN 978-5-605-02455-2. – EDN BUTGAY.
5. Pechatnova, E. V. Determining the significance of the influence of road conditions on acci-dents on federal highways / E. V. Pechatnova, K. E. Safronov // Transport Engineering and Technology. – 2020. – No. 4(19). – P. 6-10. – EDN PZFVMH.
6. Saadalov, T. Methodology for calculating the Fechner and Pearson correlation coefficient, and their areas of application / T. Saadalov, R. Myrzaibraimov, Zh. D. Abdullaeva // Bulletin of Science and Practice. – 2021. – Vol. 7, No. 10. – Pp. 270-276. – DOIhttps://doi.org/10.33619/2414-2948/71/31. – EDN GNMYZT.
7. Sample size for correlation analysis / A. M. Grzhibovsky, M. A. Gorbatova, A. N. Nar-kevich, K. A. Vinogradov // Marine Medicine. – 2020. – Vol. 6, No. 1. – Pp. 101-106. – DOIhttps://doi.org/10.22328/2413-5747-2020-6-1-101-106. – EDN BIRLOQ.
8. What Kind of Road Laboratory Do We Need? // Construction Materials, Equipment, and Technologies of the 21st Century. – 2023. – No. 4(279). – Pp. 47-49. – EDN HZQKUP.
9. Vasiliev, V. P. Yuri Vasiliev: "MADI Has Developed a Line of Mobile Road Laboratories" / V. P. Vasiliev // Highways. – 2024. – No. 4(1109). – Pp. 114-116. – EDN UKUMQG.
10. Slavutsky, M. A. Some Methods for Assessing the Objectivity of Road Laboratory Results / M. A. Slavutsky // Highways. – 2025. – No. 3(1120). – P. 114-117. – EDN KODBOI.
11. Zhidyaev, S. S. Comprehensive study of the accuracy and reliability of various methods of terrestrial laser scanning and processing of the obtained data / S. S. Zhidyaev, P. V. Molokov // Bulletin of MIIGAiK: Collection of scientific articles of the 79th scientific and technical conference of students, graduate students and young scientists within the framework of the International Student Science Week SNN-2024, Moscow, April 8–12, 2024. – Moscow: Moscow State University of Ge-odesy and Cartography, 2024. – P. 115-127. – EDN UMDWUW.
12. Gorobtsov, S. R. Analysis of domestic software for processing laser scanning data / S. R. Gorobtsov // Inter Expo Geo-Siberia. - 2023. - Vol. 1, No. 1. - Pp. 65-72. - DOIhttps://doi.org/10.33764/2618-981X-2023-1-1-65-72. - EDN OZHSUG.
13. Rashidi, Maria & Mohammadi, Masoud & Sadeghlou Kivi, Saba & Abdolvand, Moham-mad Mehdi & Truong-Hong, Linh & Samali, Bijan. (2020). A Decade of Modern Bridge Monitoring Using Terrestrial Laser Scanning: Review and Future Directions. Remote Sensing. 12.3796. DOIhttps://doi.org/10.3390/rs12223796.
