Актуальность исследования обусловлена тем, что в платформах мониторинга дорожной инфраструктуры ошибки на уровне детектирования и интерпретации состояния объектов способны переходить в ошибки нормативных и управленческих решений, особенно в реальных условиях съемки (тени, блики, влажное/заснеженное покрытие, загрязнения, неоднозначные границы дефектов), где возрастает риск неверной классификации и локализации. Это критично при пороговой нормативной оценке, поскольку небольшая погрешность может привести к смене категории состояния и, как следствие, к необоснованному назначению ремонтных мероприятий либо к пропуску опасного дефекта. В связи с этим статья направлена на исследование учета неопределенности детектирования дефектов дорожного покрытия в многоагентном контуре мониторинга, где результаты наблюдений передаются между компонентами вместе с контекстом обработки через Model Context Protocol как единый протокол обмена событиями, метаданными и параметрами интерпретации. Ведущим подходом является построение вычислительного конвейера, включающего предварительную обработку видеоданных, детектирование дефектов, вычисление показателя неопределенности H(p) по распределению вероятностей классов, присвоение статуса «автоматически/валидация/уточнение», последующую нормативную интерпретацию и агрегацию по участкам дорожной сети. Для обеспечения воспроизводимости каждый прогон фиксируется как унифицированный «контекст эксперимента» (идентификатор сцены/кадра, версия модели, параметры порогов, статус решения), что позволяет сопоставимо сравнивать режимы и выполнять аудит причин расхождений. Верификация основана на сравнении нормативных решений с экспертной оценкой и анализе зависимости доли ошибочных нормативных решений от порога автоматического принятия решения по H(p), при этом риск-ориентированная логика переводит высоконеопределенные детекции в режим валидации и снижает вероятность ошибок в пограничных случаях. Показано, что протоколирование контекста через Model Context Protocol и учет H(p) повышают воспроизводимость экспериментов и обоснованность нормативной интерпретации, уменьшая риск ошибочной приоритизации ремонта за счет отделения сомнительных наблюдений и сохранения причин принятого решения.
The relevance of this study is determined by the fact that, in road-infrastructure monitoring platforms, errors at the stage of detection and interpretation of object conditions can propagate into normative and managerial decision errors, especially under real-world acquisition conditions (shadows, glare, wet/snow-covered pavement, contamination, and ambiguous defect boundaries), where the risk of misclassification and inaccurate localization increases. This is critical for threshold-based normative assessment, since even small inaccuracies may change the condition category and, consequently, lead either to unjustified maintenance assignments or to missing hazardous defects. Therefore, this paper investigates the use of detection uncertainty for road-surface defect monitoring within a multi-agent pipeline, where observation results are transferred between components together with the processing context via the Model Context Protocol as a unified mechanism for exchanging events, metadata, and interpretation parameters. The main approach is to build a computational pipeline that includes video-data preprocessing, defect detection, computation of the uncertainty indicator H(p) from the class-probability distribution, assignment of the status "automatic/validation/refinement" subsequent normative interpretation, and aggregation over road-network segments. To ensure reproducibility, each run is recorded as a unified "experiment context" (scene/frame identifier, model version, threshold parameters, decision status), enabling comparable mode-to-mode evaluation and auditing of discrepancy causes. Verification is based on comparing normative decisions with expert assessment and analyzing how the share of erroneous normative decisions depends on the automatic-decision threshold for H(p), while the risk-oriented logic routes high-uncertainty detections to validation and reduces the probability of errors in borderline cases. The results show that context logging via Model Context Protocol and accounting for H(p) improve experimental reproducibility and the soundness of normative interpretation, decreasing the risk of incorrect maintenance prioritization by separating ambiguous observations and preserving the decision rationale.
The authors declare that there are no conflicts of interest present.