Голь на выдумки хитра. Технический ум всегда ищет решения для решения существующих проблем. Аналогичное исследование последовало за опытом, с которым столкнулся Сэм Мэдден, профессор кафедры электротехники и вычислительной техники Массачусетского технологического института.
«Во время его визита в Катар у нас был опыт, когда наш водитель Uber не может найти способ добраться туда, куда он идет, потому что карта очень отключена, если навигационные приложения не имеют правильной информации, для таких вещей, как комбинация переулков, это могло быть расстраивающим или хуже. “
Карты Google зарекомендовали себя как надежный и эффективный источник информации о местоположении для пользователей. Но метод сбора данных довольно трудоемкий, поскольку он отправляет транспортные средства за каждый угол, чтобы захватывать изображения всех размеров. Технологические достижения сделали это приложение необходимой для всех. Поиск нового маршрута или достижение ранее неизвестного пункта назначения стали менее сложными, чем когда-либо. Но отслеживает ли приложение обновленные архитектуры?
Кроме того, процесс довольно дорогой и может быть сделан только техническими гигантами. Так каков был подход Мэддена?
В партнерстве с Катарским институтом исследований и вычислений команда из MIT предложила применить на практике искусственный интеллект, машинное обучение и спутниковую съемку для улучшенной версии GPS-навигации. Так что же это за добавленный ингредиент?
Известный как RoadTagger. Было представлено новое программное обеспечение, которое было оснащено нейронными сетями. Хорошей новостью является то, что она может помочь вам увидеть позади зданий, препятствий и барьеров. Вы можете иметь представление о переулках или также знать характер движения.
Рассматривая сложные алгоритмы, которые упростили жизнь человека, RoadTagger использует сверточную нейронную сеть (CNN) и графическую нейронную сеть (GNN). Оба инструмента принадлежат к семейству алгоритмов машинного обучения, что означает, что ограниченный набор данных может быть обработан для будущих прогнозов. Вся деятельность предполагает минимальное вмешательство человека.
Последующая процедура начинается с подачи спутниковых снимков на CNN. Тогда GNN играет свою роль, формируя «мозаики», 20-метровые участки дороги. Данные взяты из этих плиток, а подробные функции выделены и изучены. Если определенная плитка становится невидимой из-за присутствия здания или препятствия, другие плитки изучаются, чтобы предсказать природу этой соответствующей плитки.
Экспериментируя с недавно разработанным инструментом, были изучены 20 городов США. Результаты оказались точными на 77 процентов в прогнозировании числа полос, а 93 процента были удовлетворительными в предложении типа дороги. Обсуждая будущие планы относительно программного обеспечения, команда заявила, что оно будет включать улучшенные функции, такие как прогнозы парковки и велосипедные дорожки в Road Tagger.
Цитируя владельцев кредитов: «Наша цель – автоматизировать процесс создания высококачественных цифровых карт, чтобы они могли быть доступны в любой стране».
