RoadTracer: Bessere automatisierte Karten
Google Maps ist ein Triumph der künstlichen Intelligenz in Aktion, mit der Fähigkeit, uns mit beeindruckenden Mitteln von einem Ort zum anderen zu führen maschinelles Lernen Technologie. Doch während für die Routenplanung in Google Maps nicht allzu viele Menschen erforderlich sind, ist das manuelle Nachzeichnen der Straßen auf den Luftbildern, um sie maschinell nutzbar zu machen, unglaublich zeitaufwändig und banal. Daher ist es den Google-Mitarbeitern trotz Tausender Stunden, die sie für diese Aufgabe aufgewendet haben, immer noch nicht gelungen, den Großteil der über 20 Millionen Meilen Straßen, die sich rund um die Welt erstrecken, zu kartieren.
Glücklicherweise haben Forscher des Massachusetts Institute of Technology für Informatik und Das Artificial Intelligence Laboratory (CSAIL) und das Qatar Computing Research Institute haben möglicherweise eine Lösung gefunden Lösung. Sie entwickelten eine automatisierte Methode zur Erstellung von Roadmaps, die 45 Prozent genauer ist als bestehende Methoden. Die Arbeit mit dem Namen RoadTracer nutzt neuronale Netze, um Straßen auf Bildern intelligent abzubilden. Das System könnte sich besonders gut für die Kartierung von Teilen der Welt eignen, in denen Karten häufig veraltet sind, wie etwa abgelegene und ländliche Gebiete in Entwicklungsländern.
Empfohlene Videos
„Wir haben das neuronale Netz anhand von Luftbildern von 25 Städten in sechs Ländern in Nordamerika und Europa trainiert.“ Favyen Bastani, ein Doktorand am MIT CSAIL, sagte gegenüber Digital Trends. „Konkret haben wir für jede Stadt ein Korpus hochauflösender Satellitenbilder von Google Earth zusammengestellt Ground-Truth-Straßennetzdiagramme von OpenStreetMap, die eine Region von etwa 10 Quadratmeilen rund um die Stadt abdecken Center."
RoadTracer beginnt mit einem bekannten Ort in einem Straßennetz und untersucht dann die Umgebung, um herauszufinden, welcher Teil der Straße am wahrscheinlichsten sein wird. Sobald dieser Punkt hinzugefügt wurde, wiederholt sich der Vorgang immer wieder, bis das gesamte Straßennetz hinzugefügt wurde.
In Zukunft hofft das Team, bei der Kartierung nicht mehr nur auf Luftbilder zu setzen. „Man erhält zum Beispiel keine Informationen über Straßen mit Überführungen, da man diese von oben offensichtlich nicht sehen kann“, sagte Bastani. „Eines unserer anderen Projekte besteht darin, Systeme anhand von GPS-Daten zu trainieren und diese Ansätze dann schließlich in einem einzigen Kartensystem zusammenführen zu können.“
Ein Papier, das die Arbeit beschreibt, wird im Juni auf der Konferenz über Computer Vision und Mustererkennung (CVPR) in Salt Lake City vorgestellt.
Empfehlungen der Redaktion
- Kann K.I. menschliche Ingenieure bei der Entwicklung von Mikrochips schlagen? Google glaubt es
- Algorithmische Architektur: Sollten wir K.I. Entwerfen Sie Gebäude für uns?
- Warum es der Schlüssel zur KI der nächsten Generation sein könnte, Robotern das Versteckenspielen beizubringen
- Clevere neue K.I. Das System verspricht, Ihren Hund zu trainieren, während Sie nicht zu Hause sind
- Neue K.I. Das Hörgerät lernt Ihre Hörpräferenzen und nimmt Anpassungen vor
Werten Sie Ihren Lebensstil aufDigital Trends hilft Lesern mit den neuesten Nachrichten, unterhaltsamen Produktrezensionen, aufschlussreichen Leitartikeln und einzigartigen Einblicken, den Überblick über die schnelllebige Welt der Technik zu behalten.
