Несмотря на стремление разработчиков картографических сервисов и навигационных приложений сделать их эффективнее и быстрее, водители нередко сталкиваются с ситуацией, когда маршрут меняется в самый неподходящий момент лишь потому, что GPS-картам не хватает точности позиционирования. Теперь же специалистам удалось найти решение, благодаря которому такая проблема может остаться в прошлом.
Используя модели машинного обучения по изображениям со спутников, сотрудники MIT и Катарского вычислительного научно-исследовательского института разработали систему комбинирования нейронных архитектур для прогнозирования количества полос, препятствий и типов дорог. Система RoadTagger уже сегодня умеет определять число полос с точностью в 77% и различать шоссе, магистрали и обычные дороги с точностью в 93%.
Такое решение позволит значительно удешевить процедуру обновления карт такими компаниями, как Google, которой приходится отправлять автомобили для съёмки местности, а затем проводить долгий анализ полученной информации. К тому же локальная съёмка в силу высокой стоимости часто не проводится во многих регионах мира, из-за чего детализация карт в таких местах остаётся крайне низкой.
Предложенная исследователями система умеет распознавать деревья и нежелательные объекты, которые зачастую закрывают саму трассу на сделанных спутником фотографиях. Сейчас разработчики активно улучшают точность алгоритма, чтобы получить подробные карты к 2022 году, когда в Катаре пройдёт чемпионат мира по футболу.
Источник: 4pda.ru
