Serveur d'impression

Construire de meilleures cartes – Serveur d’impression

Le 23 mars 2020 - 4 minutes de lecture

  • Les informaticiens du Massachusetts Institute of Technology et du Qatar Computing Research Institute ont mis au point un nouveau logiciel appelé RoadTagger, qui utilise l'IA pour déterminer à quoi ressemblent les routes derrière les obstacles.
  • RoadTagger sera utilisé pour faire des cartes plus détaillées avec la possibilité de reconnaître le nombre de voies d'une route et s'il s'agit d'une route résidentielle ou d'une autoroute.
  • Les résultats ont été publiés sur le serveur de pré-impression de la revue scientifique arXiv.

    Bien qu'étant l'un des pays les plus riches du monde, au Qatar, les cartes numériques sont à la traîne. Alors que le pays ajoute de nouvelles routes et améliore constamment les anciennes en prévision de la Coupe du Monde de la FIFA 2022, le Qatar n'est pas une priorité pour les entreprises qui construisent des cartes, comme Google.

    "Lors de notre visite au Qatar, nous avons eu des expériences où notre chauffeur Uber ne peut pas trouver comment se rendre là où il va, car la carte est tellement éteinte", a déclaré Sam Madden, professeur au Département de génie électrique et informatique du MIT. dans une déclaration préparée. "Si les applications de navigation n'ont pas les bonnes informations, pour des choses comme la fusion de voies, cela pourrait être frustrant ou pire."

    La solution de Madden? Arrêtez d'attendre Google et nourrissez les modèles d'apprentissage automatique d'un ensemble d'images satellites. C'est plus rapide, moins cher et beaucoup plus facile d'obtenir des images satellite que pour une entreprise de technologie de se déplacer pour prendre des photos de la rue. Le seul problème: les routes peuvent être obstruées par des bâtiments, des arbres ou même des panneaux de signalisation.

    Madden, avec une équipe composée d'informaticiens du MIT et du Qatar Computing Research Institute, a donc créé RoadTagger, un nouveau logiciel qui peut utiliser les réseaux de neurones pour prédire automatiquement à quoi ressemblent les routes derrière les obstacles. Il est capable de deviner le nombre de voies d'une route donnée et s'il s'agit d'une route ou d'une route résidentielle.

    RoadTagger utilise une combinaison de deux types de réseaux de neurones: un réseau de neurones convolutionnels (CNN), qui est principalement utilisé dans le traitement d'image, et un réseau de neurones graphique (GNN), qui aide à modéliser les relations et est utile avec les réseaux sociaux. Ce système est ce que les chercheurs appellent «de bout en bout», ce qui signifie qu'il n'est alimenté qu'en données brutes et qu'il n'y a aucune intervention humaine.

    Premièrement, des images satellite brutes des routes en question sont entrées dans le réseau neuronal convolutif. Ensuite, le réseau neuronal graphique divise la chaussée en sections de 20 mètres appelées «tuiles». Le CNN extrait les entités routières pertinentes de chaque tuile, puis partage ces données avec les autres tuiles à proximité. De cette façon, des informations sur la route sont envoyées à chaque tuile. Si l'un d'eux est recouvert par une obstruction, RoadTagger peut alors regarder les autres tuiles pour prédire ce qui est inclus dans celle qui est obscurcie.

    Certaines parties de la chaussée ne peuvent avoir que deux voies dans une tuile donnée. Alors qu'un humain peut facilement dire qu'une route à quatre voies, entourée d'arbres, peut être masquée, un ordinateur ne peut normalement pas faire une telle hypothèse. RoadTagger crée une intuition plus humaine dans un modèle d'apprentissage automatique, dit l'équipe de recherche.

    "Les humains peuvent utiliser les informations des tuiles adjacentes pour deviner le nombre de voies dans les tuiles occluses, mais les réseaux ne peuvent pas le faire", a déclaré Madden. "Notre approche tente d'imiter le comportement naturel des humains … pour faire de meilleures prévisions."

    Les résultats sont impressionnants. En testant RoadTagger sur des routes occluses dans 20 villes américaines, le modèle a correctement compté le nombre de voies 77% du temps et a déduit les bons types de routes 93% du temps. À l'avenir, l'équipe espère inclure d'autres nouvelles fonctionnalités, comme la possibilité d'identifier les places de stationnement et les pistes cyclables.

Commentaires

Laisser un commentaire

Votre commentaire sera révisé par les administrateurs si besoin.