Las aplicaciones de mapas pueden haber cambiado nuestro mundo, pero aún no lo han mapeado todo en particular. En particular, el mapeo de carreteras puede ser tedioso: incluso después de tomar imágenes aéreas, las compañías como Google todavía tienen que pasar muchas horas trazando manualmente las carreterasComo resultado, aún no han logrado mapear la gran mayoría de las más de 20 millones de millas de carreteras en todo el mundo.
Las brechas en los mapas son un problema, particularmente para los sistemas que se están desarrollando para automóviles autónomos. Para abordar el problema, los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial CSAIL del MIT han creado RoadTracer, un método automatizado para construir mapas de carreteras que es 45por ciento más preciso que los enfoques existentes.
Utilizando datos de imágenes aéreas, el equipo dice que RoadTracer no solo es más preciso, sino más rentable que los enfoques actuales. El profesor del MIT Mohammad Alizadeh dice que este trabajo será útil tanto para gigantes tecnológicos como Google como para organizaciones más pequeñas sinlos recursos para curar y corregir grandes cantidades de errores en los mapas.
"RoadTracer es adecuado para cartografiar áreas del mundo donde los mapas están frecuentemente desactualizados, lo que incluye lugares con menor población y áreas donde hay construcción frecuente", dice Alizadeh, uno de los coautores de un nuevo artículosobre el sistema. "Por ejemplo, los mapas existentes para áreas remotas como la Tailandia rural carecen de muchos caminos. RoadTracer podría ayudar a que sean más precisos".
En las pruebas que miran imágenes aéreas de la ciudad de Nueva York, RoadTracer podría mapear correctamente el 44 por ciento de sus cruces de carreteras, que es más del doble de efectivo que los enfoques tradicionales basados en la segmentación de imágenes que podrían mapear solo el 19 por ciento.
El documento, que se presentará en junio en la Conferencia sobre Visión por Computadora y Reconocimiento de Patrones CVPR en Salt Lake City, Utah, es una colaboración entre MIT CSAIL y el Instituto de Investigación de Computación de Qatar QCRI.
Los coautores del MIT de Alizadeh incluyen a los estudiantes graduados Fayven Bastani y Songtao He, y los profesores Hari Balakrishnan, Sam Madden y David DeWitt. Los coautores de QCRI incluyen a la ingeniera de software sénior Sofiane Abbar y Sanjay Chawla, quien es la directora de investigación de QCRI's DataGrupo de análisis.
Cómo funciona
Los esfuerzos actuales para automatizar mapas implican el entrenamiento de redes neuronales para mirar imágenes aéreas e identificar píxeles individuales como "camino" o "no camino". Debido a que las imágenes aéreas a menudo pueden ser ambiguas e incompletas, tales sistemas también requieren un paso posterior al procesamientoque tiene como objetivo tratar de llenar algunos de los vacíos.
Desafortunadamente, estos enfoques de "segmentación" a menudo son imprecisos: si el modelo etiqueta mal un píxel, ese error se amplificará en la hoja de ruta final. Los errores son particularmente probables si las imágenes aéreas tienen árboles, edificios o sombras que oscurecendonde las carreteras comienzan y terminan el paso posterior al procesamiento también requiere tomar decisiones basadas en suposiciones que no siempre se mantienen, como conectar dos segmentos de carretera simplemente porque están uno al lado del otro.
Mientras tanto, RoadTracer crea mapas paso a paso. Comienza en una ubicación conocida en el camino y usa una red neuronal para examinar el área circundante para determinar qué punto es más probable que sea la siguiente parte del camino.luego agrega ese punto y repite el proceso para trazar gradualmente el camino paso a paso.
"En lugar de tomar miles de decisiones diferentes a la vez sobre si varios píxeles representan partes de una carretera, RoadTracer se enfoca en el problema más simple de averiguar qué dirección seguir al comenzar desde un lugar en particular que sabemos que es una carretera", diceBastani: "En muchos sentidos, esto está mucho más cerca de cómo nosotros, como humanos, construimos modelos mentales del mundo que nos rodea".
El equipo capacitó a RoadTracer en imágenes aéreas de 25 ciudades en seis países de América del Norte y Europa, y luego evaluó sus habilidades de mapeo en otras 15 ciudades.
"Es importante que un sistema de mapeo pueda funcionar bien en ciudades en las que no ha entrenado, porque las regiones donde el mapeo automático es más prometedor son aquellas en las que los mapas existentes son inexistentes o inexactos", dice Balakrishnan.
Bastani dice que el hecho de que RoadTracer tuviera una tasa de error un 45 por ciento más baja es esencial para hacer que los sistemas de mapeo automático sean más prácticos para compañías como Google
"Si la tasa de error es demasiado alta, entonces es más eficiente mapear las carreteras manualmente desde cero en lugar de eliminar segmentos incorrectos del mapa inferido", dice Bastani.
Aún así, implementar algo como RoadTracer no sacaría a la gente completamente del círculo: el equipo dice que podrían imaginar el sistema proponiendo mapas de carreteras para una gran región y luego haciendo que un experto humano venga a verificar el diseño.
"Dicho esto, lo que está claro es que con un sistema como el nuestro podría disminuir drásticamente la cantidad de trabajo tedioso que los humanos tendrían que hacer", dice Alizadeh.
De hecho, una ventaja del enfoque incremental de RoadTracer es que hace que sea mucho más fácil corregir errores: los supervisores humanos simplemente pueden corregirlos y volver a ejecutar el algoritmo desde donde lo dejaron, en lugar de continuar usando información imprecisa que se filtraa otras partes del mapa.
Por supuesto, las imágenes aéreas son solo una pieza del rompecabezas. No le brindan información sobre caminos que tienen pasos superiores e inferiores, ya que es imposible determinarlos desde arriba. Como resultado, el equipo también está desarrollando algoritmos por separadoque puede crear mapas a partir de datos GPS y trabajar para fusionar estos enfoques en un solo sistema de mapeo.
Este proyecto fue apoyado en parte por el Qatar Computing Research Institute.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts, CSAIL . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :