澳门太阳城网站-最新注册

  • 人工智能在澳门太阳城最新网站开发的模型和卡塔尔计算研究所只能使用卫星图像自动标记数字路线图功能可提高GPS导航,尤其是在有限的国家的地图数据。

    人工智能在澳门太阳城最新网站开发的模型和卡塔尔计算研究所只能使用卫星图像自动标记数字路线图功能可提高GPS导航,尤其是在有限的国家的地图数据。

    图片:谷歌地图/ MIT新闻

    全屏

采用人工智能,以丰富的数字地图

人工智能在澳门太阳城最新网站开发的模型和卡塔尔计算研究所只能使用卫星图像自动标记数字路线图功能可提高GPS导航,尤其是在有限的国家的地图数据。

标签道路模型功能基于卫星图像,GPS导航与有限的地图数据的地方提高。


记者联系

艾比abaz要么ius
电子邮件: abbya@mit.edu
电话:617-253-2709
澳门太阳城最新网站新闻办公室

媒体资源

1张图片下载

媒体访问

媒体只能从本网站的桌面版本下载。

模型在澳门太阳城最新网站和卡塔尔计算研究院(qcri)利用卫星图像,以标记道路电子地图GPS导航功能可以提高帮助发明了研究。  

有关显示更多的司机他们的路线可以帮助他们在不熟悉的位置经常浏览详细信息。车道数,例如,可以使GPS系统警告发散或合并车道的司机。关于停车位把信息可以帮助驾驶员提前规划,而自行车道映射可以帮助骑车人协商繁忙的城市街道。提供路况更新的信息可以提高救灾还计划。

但是创建详细的地图是大公司,:如谷歌,这主要是发送做过一个昂贵,耗时的过程s 车辆周围的摄像机绑在他们的视频和一个区域的道路的图像捕获罩。与其他数据相结合,可以创建准确,最新的地图。由于ESTA过程是昂贵的,但是,世界上有些地方被忽略。

一个解决方案是在卫星图片上释放出的机器学习模型 - 这是更容易获得和相当定期更新 - 自动标记道路特征。但道路可以,比方说,树木和建筑物被遮挡,使其成为一个具有挑战性的任务。在 在人工智能协会会议的推进呈现,澳门太阳城最新网站和qcri研究人员描述了“roadtagger,”哪用神经网络结构的组合来预测自动车道,道路类型(住宅或公路)障碍物后面的数量。

roadtagger从20的美国阻塞道路上的数字地图测试城市,模型车道计数量以77%的准确度和推断的道路类型用93%的准确率。研究人员正计划在过去,使roadtagger预测等特点,停车位:如自行车道和。

“最新的数字地图是从大公司关心的地方最为牵挂。如果你的地方是他们不在乎多少,你处于劣势对于地图的质量,“合着者山姆劲爆,在电气工程和计算机科学系教授(EECS)说:而在计算机科学和人工智能实验室(CSAIL)的研究员。 “我们的目标是自动生成高品质的数字地图,这样他们就可以在任何国家提供的过程。”

该论文的合着者是研究生CSAIL松涛我,favyen bastani和爱德华公园; EECS本科生satvat jagwani; CSAIL教授和哈日维文·穆罕默德·阿里扎德;桑杰·乔拉和qcri研究员,Sofiane的Abbar和穆罕默德·阿明Sadeghi。

结合CNN和GNN

卡塔尔,凡qcri是基础,是“不为大公司建立数字地图的优先事项,”麦登说。然而,它的不断建设新的道路和旧的改善,尤其是在准备申办2022年世界杯足球赛。

“在访问卡塔尔,我们有经验,如果我们的超级驱动器无法弄清楚如何让我在哪里是怎么回事,因为地图是如此了,”麦登说。 “如果导航应用没有正确的信息,为的事情:如合并车道,这可能是令人沮丧甚至更糟。”

roadtagger依赖于一个新颖的卷积神经网络(CNN)的组合 - 通常用于处理图像的任务 - 和图形神经网络(GNN)。连接图,并有节点之间GNNS模型关系成为流行的分析像社交网络和分子动力学的事情。该模型是“端到端”,这意味着它的供给仅原始数据,并产生输出自动,无需人工干预。

CNN注意到输入作为目标的道路原始卫星图像。该GNN打破了道路到大约20米长的段,或“瓷砖”。每个瓦片是一个单独的图形节点,通过沿着道路线连接。对于每个节点,CNN的道路提取特征并共享这些信息随着它的近邻。沿整个图形道路信息传播,与每个接收节点有关在每一个其他节点的道路属性的某些信息。如果平铺图像中的某些闭塞,从沿路所有roadtagger砖的使用信息来预测什么是闭塞落后。

ESTA架构相结合代表了更类似人类的直觉,研究人员说。说四车道公路的一部分被树木遮挡,所以只显示两个区域的某些车道。人类可以推测一对夫妇轻松车道隐藏在树后面。传统的机器学习模型 - 说,只是一个CNN - 单一的瓷砖,最有可能的唯一特征提取预测闭塞的瓷砖是两车道的道路。

“人类可以使用来自相邻瓷砖的信息猜测在闭塞的瓷砖车道的数量,但并不认为网络可以,”我说。 “我们的方法试图模仿人类的行为自然,地方在哪里我们从GNN捕获来自CNN和全面的信息,以做出更好的预测。”

学习权   

训练和测试roadtagger,研究人员使用真实世界地图数据集,称为OpenStreetMap的,它可以让用户编辑和世界各地的牧师数字地图。从数据集中,道路属性他们证实从688平方公里20美国的地图收集城市 - 包括波士顿,芝加哥,华盛顿和西雅图。然后,他们从卫星通讯谷歌地图数据集中采集的图像。

在训练中,roadtagger可以学习砝码 - 其中不同程度的重要性分配到的功能和节点的连接 - 在CNN和GNN。从瓦片的像素图案和GNN传播CNN中提取特征的特征得知沿图。从道路的子图随机选择的,系统学习在每个瓦片来预测道路特征。在这样做时,自动学习哪些图像特征是有用的,以及如何沿曲线传播这些功能。举例来说,如果目标有不清楚的车道标线瓷砖,瓷砖它的邻居,但有四条车道清晰车道标线在相同的道路,宽度股份,然后拼贴的目标很可能也有四个车道。在这种情况下,该模式可自动获悉宽度是一个有用的图像特征,因此,如果两个相邻的地砖共享相同的道路宽度的道路,他们很可能有同样的行车道数。

鉴于从OpenStreetMap的训练不见路,模型将道路成片,并利用其进行预测学到的权重。与闭塞瓦片的车道任务的数预测,该模型指出,具有相邻的瓦片匹配像素图案和,因此,高可能性共享信息。所以,如果这些地砖有​​四个车道,堵塞的瓷砖也必须有四个。

在另一个结果,roadtagger准确地合成,极具挑战性的公路中断的数据集预测车道数。作为一个例子,一个立交桥两个车道覆盖有四个车道的目标道路的几瓦。模型检测立交桥失配的像素图案,所以忽略了两个车道在覆盖瓦片,准确地预测被四个通道的下方。

研究人员希望利用roadtagger帮助验证和批准人快速修改,将数据集中连续的基础设施:如OpenStreetMap的,那里有很多地图没有包含车道数或其他细节。感兴趣的特定区域是泰国,Bastani说,如果道路是不断变化的,但也有,如果在数据集中的任何更新一些。

“那被打成泥土道路已铺设超过11米的道路,让更好的驱动,有的交叉口已经完全建立起来。每年都会有变化,但数字地图是最新的了,“我说。 “不断,我们希望基于最新的图像更新这些道路属性。”


主题: 研究, 计算机科学与技术, 算法, 运输, 城市, 汽车, 机器学习, 计算机科学和人工智能实验室(CSAIL), Electrical Engineering & Computer Science (eecs), 工程学院, 人工智能

回到顶部