Dzięki AI szczegółowe mapy będą nie tylko dla wybranych

Szczegółowe mapy ulic znacząco ułatwiają poruszanie się po mieście. Problem w tym, że ich opracowanie jest drogie, stąd na ogół są dostępne tylko dla większych i bardziej zamożnych metropolii. Zdaniem naukowców z MIT te ograniczenia mogą rozwiązać algorytmy sztucznej inteligencji.

Massachusetts Institute of Technology współpracuje w tym zakresie z Qatar Computing Research Institute (QCRI). Zainteresowanie Katarczyków tym tematem nie jest przypadkowe. Katar jest bowiem krajem dynamicznie rozwijającym się, jednak wciąż pozostaje poza zainteresowaniem dużych korporacji dostarczających szczegółowe mapy miast, np. Google’a. Naukowcy z MIT i QCRI połączyli więc siły, by opracować algorytmy, które pozwalałyby kartować metropolie automatycznie i możliwie niskim kosztem. Efektem ich prac jest oprogramowanie RoadTagger.

RoadTagger wykorzystuje algorytmy sztucznej inteligencji (AI) do automatycznej analizy zdjęć satelitarnych w celu wyszukiwania takich obiektów jak drogi, poszczególne pasy ruchu, ścieżki rowerowe czy parkingi. Gdy są one dobrze widoczne na zdjęciu, ich wektoryzacja nie jest większym wyzwaniem. Problem pojawia się jednak, gdy są przesłonięte np. przez roślinność.

Za przykład weźmy czteropasmową drogę, dla której na fragmencie zdjęcia satelitarnego – w wyniku zasłonięcia przez drzewo – widoczne są tylko dwa pasy. W takiej sytuacji standardowy algorytm AI wyodrębni tylko owe dwa pasy, z kolei człowiek bez problemu naniesie wszystkie cztery. Naukowcy z MIT i QCRI postanowili zatem stworzyć nowe algorytmy, które naśladowałyby ludzką intuicję.

RoadTagger bazuje na nowatorskiej kombinacji konwolucyjnej sieci neuronowej (CNN) – powszechnie stosowanej w przetwarzaniu danych obrazowych, i grafowej sieci neuronowej (GNN). CNN pobiera surowe zdjęcia satelitarne dróg przeznaczonych do kartowania. GNN dzieli następnie drogę na mniej więcej 20-metrowe segmenty, zwane także kafelkami. Każdy kafelek jest osobnym węzłem grafu połączonym liniami wzdłuż drogi. Dla każdego węzła CNN wyodrębnia cechy drogi i udostępnia te informacje swoim najbliższym sąsiadom. Informacje o drodze „rozprzestrzeniają się” po całym wykresie, a każdy węzeł otrzymuje informacje o atrybutach drogi w każdym innym węźle. Jeśli określony kafelek jest zasłonięty na obrazie, RoadTagger wykorzystuje informacje ze wszystkich kafelków wzdłuż drogi, aby przewidzieć, co kryje się za tym przesłonięciem.

Tyle teoria, a jak wygląda praktyka? Specjaliści z MIT i QCRI sprawdzili algorytm w 20 miastach USA. Okazało się, że RoadTagger policzył pasy ze skutecznością 77%, a typ drogi określił poprawnie w 93% przypadków. Szczegółowe wyniki badań są dostępne w materiałach z konferencji Association for the Advancement of Artificial Intelligence.

Autorzy algorytmu mają nadzieję, że znajdzie on zastosowanie np. w aktualizacji i wzbogacaniu danych z otwartego projektu OpenStreetMap. Zapowiadają ponadto, że w następnej kolejności chcą wytrenować RoadTaggera do rozpoznawania ścieżek rowerowych oraz miejsc parkingowych.

JK