Промежутки в картах – неприятность, в особенности для совокупностей, развиваемых для самоходных машин. Дабы решить проблему, исследователи из Искусственного интеллекта и Лаборатории Информатики MIT (CSAIL) создали RoadTracer, автоматизированный способ, дабы выстроить замыслы действий, это на 45 процентов более совершенно верно, чем существующие подходы.Применяя эти из воздушных изображений, команда заявляет, что RoadTracer не просто более точен, но и более рентабелен, чем текущие подходы. Учитель MIT Мохаммад Ализаде говорит, что эта работа будет нужна и для технических гигантов как Гугл и для меньших организаций без ресурсов, дабы курировать и исправить громадные количества неточностей в картах.
«RoadTracer подходящий, дабы нанести на карту области мира, где карты довольно часто устарели, что включает и места с более низким населением и области, где имеется нередкое строительство», говорят Ализаде, один из соавторов новой статьи о совокупности. «К примеру, существующие карты для отдаленных районов как деревенский Таиланд пропускают большое количество дорог. RoadTracer имел возможность оказать помощь сделать их более правильными».В тестах, наблюдающих на воздушные изображения Нью-Йорка, RoadTracer имел возможность верно нанести на карту 44 процента собственных пересечений дорог, каковые являются более двух раз столь же действенными как классические подходы на базе сегментации изображения, которая имела возможность нанести на карту лишь 19 процентов.Доклад, что будет сделан в июне на Конференции по Computer Vision и Распознаванию образов (CVPR) в Солт-Лейк-Сити, Юта, есть сотрудничеством между MIT CSAIL и Qatar Computing Research Institute (QCRI).
Среди соавторов MIT Ализаде аспиранты Фейвен Бэстэни и Сонгтэо Хэ и учители Хари Balakrishnan, Сэм Мэдден и Дэвид Дьюитт. Среди соавторов QCRI основной разработчик ПО Софиэн Аббэр и Санджай Чавла, что есть директором по научно-исследовательской работе Data Analytics Group QCRI.
Как это работаетТекущие упрочнения автоматизировать карты включают учебные нейронные сети, дабы взглянуть на воздушные изображения и идентифицировать отдельные пиксели либо как «дорогу» либо как «не дорогу».
Потому, что воздушные изображения смогут довольно часто быть неоднозначными и неполными, такие совокупности кроме этого требуют шага последующей обработки, это нацелено на попытку заполнить кое-какие промежутки.К сожалению, эти так именуемые подходы «сегментации» довольно часто неточны: в случае если модель mislabels пиксель, та неточность будет усилена в последнем замысле действий. Неточности особенно возможны, в случае если у воздушных изображений имеется деревья, строения либо тени, каковые затеняют, где дороги начинаются и заканчиваются. (Ход последующей обработки кроме этого требует принятия ответов на базе догадок, каковые смогут не всегда держать, как соединение двух дорожных сегментов легко, по причине того, что они приятель рядом с втором.)
В это же время RoadTracer формирует постепенные карты. Это начинается в известном расположении на дороге и применяет нейронную сеть, дабы изучить окружающее пространство, дабы выяснить, какой пункт, вероятнее, будет следующей частью на дороге.
Это тогда додаёт, что пункт и повторяет процесс, дабы неспешно проследить дорогу один ход за один раз.«Вместо того, дабы принять тысячи разных ответов сходу о том, воображают ли разные пиксели части дороги, внимания RoadTracer на более несложную проблему выяснения, какое направление направляться, начинаясь с конкретного места, которое мы знаем, есть дорогой», говорит Бэстэни. «Это во многих отношениях в действительности намного ближе к тому, как мы как люди строим умственные модели мира около нас».
Команда научила RoadTracer на воздушных изображениях 25 городов по шести государствам на западе, и после этого оценила ее способности к отображению на 15 вторых городах.«Для совокупности отображения принципиально важно быть в состоянии выступить прекрасно на городах, на которых это не обучалось, по причине того, что регионы, где автоматическое отображение открывает солидную часть возможности, являются, где существующие карты не существуют либо неточны», говорит Бэлэкришнэн.
Бэстэни говорит, что то, что у RoadTracer был коэффициент неточностей, что на 45 процентов ниже, принципиально важно для автоматических совокупностей отображения, более практичных для компаний как Гугл.«В случае если коэффициент неточностей через чур высок, то более действенно нанести на карту дороги вручную с нуля против удаления неправильных сегментов из выведенной карты», говорит Бэстэни.Но, осуществление чего-то как RoadTracer не забрало бы людей всецело из петли: команда заявляет, что они имели возможность вообразить совокупность, предложив замыслы действий для громадного региона и после этого войдя человеческого специалиста, дабы перепроверить дизайн.«Но что светло, то, что с совокупностью как отечественная Вы имели возможность значительно уменьшить количество изнурительной работы, которую должны будут сделать люди», говорит Ализаде.
Вправду, одно преимущество для возрастающего подхода RoadTracer пребывает в том, что он делает намного легче исправить неточности – людские наблюдатели смогут их и запустить повторно метод от того, где они кончили, вместо того, дабы продолжить применять неточную данные, которая сочится вниз к вторым частям карты.Само собой разумеется, воздушные изображения – всего одна часть тайной.
Они не дают Вам данные о дорогах, у которых имеется тоннели и переходы, поскольку те нереально установить сверху. В следствии команда кроме этого раздельно разрабатывает методы, каковые смогут создать карты из информации о GPS, и трудящийся, дабы слить эти подходы в единственную совокупность для отображения.
Данный проект был поддержан частично Катаром, Вычислив НИИ.