Как искусственный интеллект выстраивает автономную балансировку карьерных самосвалов
Владимир Яфаров, глава разработки ИИ-решений, OES (Операционное совершенство). GALILEOSKY TELEMATICS AWARDS 2026 - презентация лучших решений по цифровизации транспорта и спецтехники. Балансировка самосвалов и экскаваторов: как сократить простои и повысить производительность. 1) Главная проблема карьера — дисбаланс техники В карьере экскаваторы и самосвалы работают как единая система, но на практике возникает перекос: на одном экскаваторе может быть очередь из самосвалов, а другой в это время простаивает без техники. Из-за этого теряется полезное время работы экскаваторов, а самосвалы стоят в очередях. Проблема становится особенно заметной на большом масштабе, когда речь идёт не о двух-трёх единицах техники, а о десятках экскаваторов и самосвалов — человек уже не успевает обработать всю картину в реальном времени. 2) Решение — интеллектуальный балансировщик карьерных самосвалов Было создано решение, которое в режиме реального времени анализирует положение всех самосвалов и производительность экскаваторов. Система строит прогноз на ближайшие 30 минут, заранее определяя возможные очереди и «дыры» на экскаваторах. На основе этого она переставляет технику так, чтобы достигать бизнес-цели: максимизировать производительность, обеспечить качество или сократить простой. 3) Основа автономности — трёхэтапная логика работы Первый этап — ETA-прогноз: нейросеть оценивает время поездки от точки А до точки Б и предсказывает, с какой скоростью и за какое время техника доберётся до нужной точки. Второй этап — целеполагание: система получает бизнес-задачу и подстраивает логику распределения техники под нужный результат. Третий этап — контекстный слой: система учитывает, что карьер — «живой» объект, где постоянно происходят изменения: перекрываются дороги, экскаваторы начинают работать медленнее, самосвалы застревают, техника выходит из линии. 4) Решение учитывает постоянные изменения на площадке Для карьера критично, что ситуация может меняться каждую минуту: одна дорога закрыта, другой экскаватор замедлился, где-то техника остановилась. Для этого добавлен контекстный слой, который позволяет быстро вносить изменения о происходящем на объекте. Это помогает системе оставаться актуальной даже в нестабильной среде. 5) Сокращение сложности для людей через простой интерфейс Вместо сложных интерфейсов система позволяет вводить информацию о событиях на карьере в простом формате. Если остаётся диспетчер, он может просто проговорить, что произошло, а система сама интерпретирует сообщение и предложит свою версию происходящего. По сути, это перевод сложного управления в формат «сказал — система поняла — внесла изменения». 6) Часть процессов уже автоматизирована без участия диспетчера Авторы решения постепенно автоматизируют источники данных и управление. Система может напрямую взаимодействовать с оператором техники, без промежуточной валидации. Это снижает зависимость от ручного контроля и ускоряет принятие решений. 7) Отдельный важный кейс — пересменка Особое внимание уделено пересменке, когда вся техника останавливается и меняются водители и машинисты. В этот момент обычно возникает хаос: никто не понимает, куда ехать, растут очереди и простои. Искусственный интеллект помогает в реальном времени перераспределять технику и разгружать узкие места, чтобы быстрее вернуть карьер к нормальной производительности. 8) Практический эффект оказался заметным Решение позволило снизить отсутствие самосвала на один рейс на 20%. Очереди самосвалов к экскаваторам сократились на 30%. Суммарный эффект подхода оценивается в 1–1,5 млрд рублей. Дополнительно удалось заметно улучшить начало и конец смены, приблизив их по производительности к обычному часу внутри смены. 9) Внедрение сопровождалось недоверием, но практика изменила отношение На старте люди сомневались в работе системы и спорили с результатами. Были опасения, что искусственный интеллект принимает решения странно или «необъяснимо». Однако после нескольких недель практических экспериментов и проверки итоговых показателей стало ясно, что система справляется лучше ручного управления. В итоге пришли к модели, где директивы балансировщика не отклоняются, а техника должна их выполнять. 10) Отдельно решались проблемы связи и потери данных Для работы в карьере обеспечили достаточное покрытие связью, в том числе с использованием мобильных сотовых вышек. Но даже при этом бывают зоны, где техника временно пропадает из связи. В таких случаях система научилась предсказывать положение техники по траектории и продолжать вести её как будто она движется по маршруту. Также планшет используется как канал коммуникации с оператором техники, а обмен данными идёт через сервер.
Владимир Яфаров, глава разработки ИИ-решений, OES (Операционное совершенство). GALILEOSKY TELEMATICS AWARDS 2026 - презентация лучших решений по цифровизации транспорта и спецтехники. Балансировка самосвалов и экскаваторов: как сократить простои и повысить производительность. 1) Главная проблема карьера — дисбаланс техники В карьере экскаваторы и самосвалы работают как единая система, но на практике возникает перекос: на одном экскаваторе может быть очередь из самосвалов, а другой в это время простаивает без техники. Из-за этого теряется полезное время работы экскаваторов, а самосвалы стоят в очередях. Проблема становится особенно заметной на большом масштабе, когда речь идёт не о двух-трёх единицах техники, а о десятках экскаваторов и самосвалов — человек уже не успевает обработать всю картину в реальном времени. 2) Решение — интеллектуальный балансировщик карьерных самосвалов Было создано решение, которое в режиме реального времени анализирует положение всех самосвалов и производительность экскаваторов. Система строит прогноз на ближайшие 30 минут, заранее определяя возможные очереди и «дыры» на экскаваторах. На основе этого она переставляет технику так, чтобы достигать бизнес-цели: максимизировать производительность, обеспечить качество или сократить простой. 3) Основа автономности — трёхэтапная логика работы Первый этап — ETA-прогноз: нейросеть оценивает время поездки от точки А до точки Б и предсказывает, с какой скоростью и за какое время техника доберётся до нужной точки. Второй этап — целеполагание: система получает бизнес-задачу и подстраивает логику распределения техники под нужный результат. Третий этап — контекстный слой: система учитывает, что карьер — «живой» объект, где постоянно происходят изменения: перекрываются дороги, экскаваторы начинают работать медленнее, самосвалы застревают, техника выходит из линии. 4) Решение учитывает постоянные изменения на площадке Для карьера критично, что ситуация может меняться каждую минуту: одна дорога закрыта, другой экскаватор замедлился, где-то техника остановилась. Для этого добавлен контекстный слой, который позволяет быстро вносить изменения о происходящем на объекте. Это помогает системе оставаться актуальной даже в нестабильной среде. 5) Сокращение сложности для людей через простой интерфейс Вместо сложных интерфейсов система позволяет вводить информацию о событиях на карьере в простом формате. Если остаётся диспетчер, он может просто проговорить, что произошло, а система сама интерпретирует сообщение и предложит свою версию происходящего. По сути, это перевод сложного управления в формат «сказал — система поняла — внесла изменения». 6) Часть процессов уже автоматизирована без участия диспетчера Авторы решения постепенно автоматизируют источники данных и управление. Система может напрямую взаимодействовать с оператором техники, без промежуточной валидации. Это снижает зависимость от ручного контроля и ускоряет принятие решений. 7) Отдельный важный кейс — пересменка Особое внимание уделено пересменке, когда вся техника останавливается и меняются водители и машинисты. В этот момент обычно возникает хаос: никто не понимает, куда ехать, растут очереди и простои. Искусственный интеллект помогает в реальном времени перераспределять технику и разгружать узкие места, чтобы быстрее вернуть карьер к нормальной производительности. 8) Практический эффект оказался заметным Решение позволило снизить отсутствие самосвала на один рейс на 20%. Очереди самосвалов к экскаваторам сократились на 30%. Суммарный эффект подхода оценивается в 1–1,5 млрд рублей. Дополнительно удалось заметно улучшить начало и конец смены, приблизив их по производительности к обычному часу внутри смены. 9) Внедрение сопровождалось недоверием, но практика изменила отношение На старте люди сомневались в работе системы и спорили с результатами. Были опасения, что искусственный интеллект принимает решения странно или «необъяснимо». Однако после нескольких недель практических экспериментов и проверки итоговых показателей стало ясно, что система справляется лучше ручного управления. В итоге пришли к модели, где директивы балансировщика не отклоняются, а техника должна их выполнять. 10) Отдельно решались проблемы связи и потери данных Для работы в карьере обеспечили достаточное покрытие связью, в том числе с использованием мобильных сотовых вышек. Но даже при этом бывают зоны, где техника временно пропадает из связи. В таких случаях система научилась предсказывать положение техники по траектории и продолжать вести её как будто она движется по маршруту. Также планшет используется как канал коммуникации с оператором техники, а обмен данными идёт через сервер.