RoadTagger AI可增強車載導航的路徑識別精度

盡管全球衛(wèi)星導航(GPS)系統(tǒng)已經在民用市場得到了廣泛的應用，但人們在日常駕駛的過程中仍難以避免拐錯路口的尷尬。好消息是，來自麻省理工學院(MIT)和卡塔爾計算機研究所的一支團隊，想到了借助衛(wèi)星圖像來增強現(xiàn)有地圖數(shù)據(jù)的方法。其中最吸引我們的，莫過于借助人工智能(AI)來計算被數(shù)據(jù)和建筑物所遮擋的道路布局。

(來自：MIT，viaNew Atlas)

這項被稱作“道路標記”(RoadTagger)的技術，旨在衛(wèi)星圖像上運用機器學習技術。

系統(tǒng)能夠高度準確地找出道路上的一些額外細節(jié)(比如有多少條車道)，從而提供有關岔路口或車道合并等預警信息。

此外，RoadTagger 可用于對非機動車道和停車位的合理預估，在缺乏地圖數(shù)據(jù)的地方特別實用(相對快速和低開銷地為地圖補充額外的細節(jié))。

MIT 的 Sam Madden 表示：“大公司總是傾向于為重點區(qū)域提供最新的數(shù)字地圖，小地方反而容易被忽視”。

基于此，研究團隊決定專注于高質量數(shù)字地圖的自動化生成過程，以便能夠在任何國家和地區(qū)使用。

在美國 20 個城市的測試期間，RoadTagger 系統(tǒng)能夠以至少 77% 的準確度對行車道進行計數(shù)，即便道路的視野被完全或部分遮擋。

在道路類型的識別上(住宅區(qū)或高速公路)，RoadTagger 的準確率更是達到了 93% 。

此外，機器學習系統(tǒng)可識別土路或羊腸小道，以及被立交橋等環(huán)境給遮蔽的道路特征。

據(jù)悉，支撐 RoadTagger 的程序 AI 可將道路分割成多個圖塊，并在視圖被遮擋時調用周圍圖塊的信息，來幫助確定道路的布局。

作為一個‘端到端’模型，其能夠在原始數(shù)據(jù)中生成輸出，而無需人工的干預。

鑒于衛(wèi)星圖像通常比地圖數(shù)據(jù)更新得更加及時和有固定頻次，RoadTagger 的應用前景還是相當光明的。

關鍵詞：