Le nouveau système d’intelligence artificielle du MIT améliorera considérablement Google Maps

La nécessité est la mère de l’invention. Un esprit technique est toujours à la recherche de solutions pour résoudre les problèmes existants. Une recherche similaire fait suite à une expérience vécue par Sam Madden, professeur au Département de génie électrique et informatique du MIT.

«Lors de sa visite au Qatar, nous avons eu des expériences où notre chauffeur Uber ne peut pas trouver le chemin pour se rendre là où il va, car la carte est très décalée, si les applications de navigation ne disposent pas des informations correctes, pour des choses comme le combinaison de voies, cela pourrait être frustrant ou pire. “

Google Maps s’est avéré être une source fiable et efficace pour fournir des informations de localisation aux utilisateurs. Mais la méthode de collecte de données est assez épuisante, envoyant des véhicules à chaque coin de rue pour capturer des images de toutes dimensions. Les avancées technologiques ont fait de cette application un besoin essentiel pour tous. Trouver un nouvel itinéraire ou atteindre une destination jusqu’alors inconnue est devenu moins exigeant que jamais. Mais l’application garde-t-elle une trace des architectures mises à jour?

En outre, le processus est assez coûteux et ne peut être effectué que par les géants de la technologie. Alors, quelle a été l’approche de Madden?

En partenariat avec le Qatar Computing and Research Institute, une équipe du MIT a proposé de mettre en pratique l’intelligence artificielle, l’apprentissage automatique et l’imagerie satellite pour une version améliorée de la navigation GPS. Alors, quel est l’ingrédient supplémentaire ajouté à l’effort?

Connu sous le nom de RoadTagger. Un nouveau logiciel équipé de réseaux neuronaux a été introduit. La bonne nouvelle est qu’elle peut vous aider à voir derrière les bâtiments, les obstacles et les barrières. Vous pouvez avoir une vue sur les voies ou également connaître la nature du trafic.

Lorsqu’il examine les algorithmes complexes qui ont simplifié la vie humaine, RoadTagger utilise un réseau neuronal convolutif (CNN) et un réseau neuronal graphique (GNN). Les deux outils appartiennent à la famille des algorithmes d’apprentissage automatique, ce qui signifie qu’un ensemble limité de données peut être traité pour les prévisions futures. Toute activité implique une interférence humaine minimale.

La procédure suivie commence par la transmission des images satellites à CNN. GNN joue donc son rôle en formant des «mosaïques», des tronçons de 20 mètres de route. Les données sont tirées de ces tuiles et les caractéristiques détaillées sont mises en évidence et apprises. Si un certain jeton devient invisible en raison de la présence d’un bâtiment ou d’une obstruction, les autres jetons sont étudiés pour prédire la nature de ce jeton respectif.

En expérimentant cet outil récemment développé, 20 villes des États-Unis ont été étudiées. Les résultats étaient 77% précis pour prédire le nombre de voies, tandis que 93% étaient satisfaisants pour suggérer le type de route. En discutant des plans futurs du logiciel, l’équipe a déclaré qu’elle incorporerait des fonctionnalités améliorées telles que les prévisions de stationnement et les pistes cyclables dans Road Tagger.

Citant les propriétaires de crédit, “Notre objectif est d’automatiser le processus de génération de cartes numériques de haute qualité afin qu’elles soient disponibles dans n’importe quel pays.”