Notwendigkeit ist die Mutter der Erfindung. Ein technischer Kopf sucht immer nach Lösungen, um bestehende Probleme zu lösen. Eine ähnliche Untersuchung ergab sich aus einer Erfahrung von Sam Madden, Professor am MIT für Elektrotechnik und Informationstechnik.
“Während seines Besuchs in Katar haben wir Erfahrungen gemacht, bei denen unser Uber-Fahrer keinen Weg finden kann, um dorthin zu gelangen, wo er hingeht, weil die Karte sehr ausgeschaltet ist, wenn die Navigationsanwendungen nicht die richtigen Informationen haben, zum Beispiel Fahrspurkombination, dies könnte frustrierend oder schlimmer sein. “
Google Maps hat sich als zuverlässige und effiziente Quelle für die Bereitstellung von Standortinformationen für Nutzer erwiesen. Die Datenerfassungsmethode ist jedoch recht anstrengend, da Fahrzeuge um jede Ecke geschickt werden, um Bilder aller Dimensionen aufzunehmen. Der technologische Fortschritt hat diese Anwendung zu einer wesentlichen Notwendigkeit für alle gemacht. Das Finden einer neuen Route oder das Erreichen eines bisher unbekannten Ziels ist weniger anspruchsvoll als je zuvor. Aber verfolgt die App aktualisierte Architekturen?
Außerdem ist der Prozess ziemlich teuer und kann nur von Technologiegiganten durchgeführt werden. Wie ging Madden vor?
In Zusammenarbeit mit dem Qatar Institute for Research and Computing schlug ein Team des MIT vor, künstliche Intelligenz, maschinelles Lernen und Satellitenbilder für eine verbesserte Version der GPS-Navigation in die Praxis umzusetzen. Also, was ist die hinzugefügte Zutat mit dem Aufwand hinzugefügt?
Bekannt als RoadTagger. Neue Software, die mit neuronalen Netzen ausgestattet wurde, wurde eingeführt. Die gute Nachricht ist, dass Sie damit hinter Gebäude, Hindernisse und Barrieren sehen können. Sie können einen Blick auf die Fahrspuren werfen oder auch die Art des Verkehrs kennen.
Mit Blick auf die komplexen Algorithmen, die das menschliche Leben vereinfacht haben, verwendet RoadTagger ein Faltungs-Neuronales Netzwerk (CNN) und ein Grafisches Neuronales Netzwerk (GNN). Beide Tools gehören zur Familie der Algorithmen für maschinelles Lernen, sodass ein begrenzter Datensatz für zukünftige Vorhersagen verarbeitet werden kann. Alle Aktivitäten beinhalten minimale menschliche Eingriffe.
Das Verfahren beginnt mit der Zufuhr von Satellitenbildern zu CNN. Dann spielt GNN seine Rolle, indem es Mosaike bildet, 20 Meter lange Straßenabschnitte. Die Daten werden aus diesen Kacheln gezogen und die detaillierten Funktionen werden hervorgehoben und gelernt. Wenn eine bestimmte Kachel aufgrund eines Gebäudes oder eines Hindernisses unsichtbar wird, werden die anderen Kacheln untersucht, um die Art der jeweiligen Kachel vorherzusagen.
Beim Experimentieren mit dem neu entwickelten Tool wurden 20 US-amerikanische Städte untersucht. Die Ergebnisse waren zu 77 Prozent genau für die Vorhersage der Fahrspurnummern, während 93 Prozent für die Angabe des Straßentyps zufriedenstellend waren. Bei der Erörterung zukünftiger Pläne für die Software sagte das Team, dass sie verbesserte Funktionen wie Parkvorhersagen und Radwege in Road Tagger integrieren wird.
Zitat Kreditinhaber: “Unser Ziel ist es, den Prozess der Erstellung hochwertiger digitaler Karten zu automatisieren, damit sie in jedem Land verfügbar gemacht werden können.”
