利用人工智能丰富数字地图

2020年02月01日由 TGS 发表 97012 0

麻省理工学院和卡塔尔计算研究所的研究人员发明了一种新的模型，可以利用卫星图像来标记数字地图中的道路特征，这可能有助于改善GPS导航。向司机展示更多有关路线的详细信息通常可以帮助他们在不熟悉的位置导航。例如：车道计数可以使GPS系统向驾驶员发出偏离或合并车道的警告；结合停车点的信息可以帮助司机提前计划；绘制自行车车道图可以帮助骑自行车的人通过繁忙的城市街道。

制作详细地图是一个昂贵且耗时的过程，主要由大公司完成，比如：谷歌。它把装有摄像头的车辆绑在引擎盖上，用来拍摄一个地区道路的视频和图像。将其与其他数据相结合，可以创建准确、最新的地图。然而，由于这一过程代价高昂，世界上一些地区被忽视了。

有人提出了一种解决方案，利用卫星图像上的机器学习模型，获取并定期更新标记道路特征。但是，道路可能会被树木和建筑之类的东西遮盖，所以，这是一项具有挑战性的任务。

麻省理工学院和卡塔尔计算研究所的研究人员在人工智能发展协会会议上发表的一篇论文中，描述了RoadTagger，它能使用神经网络结构的组合来自动预测障碍物后面的车道数量和道路类型。

在对美国20个城市的数字地图进行测试时，该模型计算道路编号的准确率为77%，推断道路类型的准确率为93%。研究人员还计划让RoadTagger预测其他特征，比如停车位和自行车道。

RoadTagger依赖于卷积神经网络和图形神经网络的组合。图形神经网络模型是一个图中连接节点之间的关系，它已经成为分析社会网络和分子动力学等问题的流行工具。该模型是“端到端”的，这意味着它只提供原始数据并自动生成输出，不需要人工干预。

研究人员表示，这种组合结构，代表了一种更像人类的直觉。比如说：一条四车道的道路有一部分被树木挡住了，所以就只能显示两条车道，但人们可以通过观察，推测出树后隐藏着几条小路。

标签：

行业 MIT麻省理工学院

0 评论

欢迎关注ATYUN官方公众号

商务合作及内容投稿请联系邮箱:bd@atyun.com

上一篇人工智能立法，行业规范化的必然与开始

下一篇科技抗击疫情，人工智能+大数据

评论登录

要发表评论，您必须先登录。

jonatasgrosman/wav2vec2-large-xlsr-53-english facebook/dino-vitb16 bert-base-uncased xlm-roberta-large xlm-roberta-base gpt2 microsoft/resnet-50 facebook/dino-vits8

最好的基于Transformer的LLM（上）