برنامه های نقشه ممکن است دنیای ما را تغییر داده باشند ، اما هنوز هم همه آنها را نقشه برداری نکرده اند. به طور خاص ، نقشه برداری از جاده ها می تواند دشوار و خسته کننده باشد: حتی پس از گرفتن تصاویر هوایی ، شرکت ها هنوز مجبورند ساعت های زیادی را در ردیابی جاده ها بگذرانند. در نتیجه ، حتی شرکت هایی مانند Google هنوز نتوانسته اند اکثر قریب به 20 میلیون مایل از جاده های جهان را نقشه برداری کنند .

شکاف در نقشه ها یک مشکل است ، به خصوص برای سیستم هایی که برای اتومبیل های خودران رانندگی ایجاد می شوند. برای حل این مسئله ، محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) RoadTracer را ایجاد کرده اند ، روشی خودکار برای ساخت نقشه های جاده ای که 45 درصد دقیق تر از رویکردهای موجود است.

این تیم با استفاده از داده های تصاویر هوایی ، RoadTracer را دقیق تر ، اما از نظر اقتصادی مقرون به صرفه تر نشان نمی دهد. استاد MIT محمد علیزاده می گوید: این کار هم برای غول های فنی مانند گوگل و هم برای سازمان های کوچکتر و بدون منابع برای تصحیح و تصحیح مقادیر زیادی از خطاها در نقشه ها مفید خواهد بود.

علیزاده ، یکی از مؤلفان مقاله جدید در مورد سیستم. "به عنوان مثال ، نقشه های موجود برای مناطق دوردست مانند روستای تایلند جاده های زیادی را از دست نداده است. RoadTracer می تواند به دقیق تر کردن آنها کمک کند."

به عنوان مثال ، با نگاهی به تصاویر هوایی شهر نیویورک ، RoadTracer می تواند 44 درصد از اتصالات جاده ای خود را به درستی ترسیم کند ، که بیش از دو برابر موثرتر از رویکردهای سنتی مبتنی بر تقسیم بندی تصویر است که فقط می تواند 19 درصد نقشه برداری کند.

این مقاله که در ماه ژوئن در کنفرانس بینایی رایانه و تشخیص الگوی (CVPR) در سالت لیک سیتی ، یوتا ارائه خواهد شد ، همکاری بین CSAIL و موسسه تحقیقات محاسبات قطر (QCRI) است.

اعتبار: موسسه فناوری ماساچوست
از مؤسسین MIT علیزاده می توان به دانشجویان فارغ التحصیل فیوین باستانی و سونگائو او ، و اساتید هری بلوکرریشنان ، سام مددن ، و دیوید دیویت اشاره کرد. از نویسندگان QCRI می توان به مهندس ارشد نرم افزار Sofiane Abbar و Sanjay Chawla اشاره کرد که مدیر تحقیقات گروه تجزیه و تحلیل داده های QCRI است.

تلاش های فعلی برای خودکار سازی نقشه ها شامل آموزش شبکه های عصبی برای دیدن تصاویر هوایی و شناسایی پیکسل های فردی به عنوان "جاده" یا "نه جاده" است. از آنجا که تصاویر هوایی غالباً مبهم و ناقص هستند ، چنین سیستم هایی همچنین نیاز به مرحله پس از پردازش دارند که در تلاش برای پر کردن برخی از شکاف ها است.

متأسفانه ، این رویکردهای به اصطلاح "تقسیم بندی" غالباً نادرست هستند: اگر مدل پیکسلی را گمراه کند ، آن خطا در نقشه راه نهایی تقویت می شود. اگر تصاویر هوایی دارای درختان ، ساختمانها یا سایه هایی باشند که از آغاز و پایان جاده ها گمنام می شوند ، خطاها به ویژه محتمل است. (مرحله بعد از پردازش همچنین مستلزم تصمیم گیری بر اساس فرضیاتی است که ممکن است همیشه ثابت نباشد ، مانند اتصال دو بخش جاده به این دلیل که آنها در کنار یکدیگر هستند.)