Незважаючи на прагнення розробників картографічних сервісів та навігаційних додатків зробити їх ефективнішими і швидшими, водії нерідко стикаються з ситуацією, коли маршрут змінюється в найбільш невідповідний момент лише тому, що GPS-картам не вистачає точності позиціонування.
Тепер фахівцям вдалося знайти рішення, завдяки якому така проблема може залишитися в минулому.
Використовуючи моделі машинного навчання по зображенню із супутників, співробітники MIT і катарського обчислювального науково-дослідного інституту розробили систему комбінування нейронних архітектур для прогнозування кількості смуг, перешкод та типів доріг.
Система RoadTagger вже сьогодні вміє визначати число смуг з точністю в 77% і розрізняти шосе, магістралі та звичайні дороги з точністю в 93%.
[adsforwp id=”10622″]Таке рішення дозволить значно здешевити процедуру поновлення карт такими компаніями, як Google, якій доводиться відправляти автомобілі для зйомки місцевості, а потім проводити довгий аналіз отриманої інформації. До того ж локальна зйомка в силу високої вартості часто не проводиться в багатьох регіонах світу, через що деталізація карт в таких місцях залишається вкрай низькою.
Запропонована дослідниками система вміє розпізнавати дерева і небажані об’єкти, які часто закривають саму трасу на зроблених супутником фотографіях. Зараз розробники активно покращують точність алгоритму, щоб отримати докладні карти до 2022 року, коли в Катарі пройде чемпіонат світу з футболу.
-
-
-
-
