28
Januar
2020

Geniale KI verbessert Navi-Karten erheblich

Modell von Wissenschaftlern des MIT erkennt aus Satellitenaufnahmen Details zu Straßen

Ein neues KI-System soll helfen, digitale Karten für die GPS-Navigation zu verbessern. Das von Forschern des Massachusetts Institute of Technolgy (MIT) http://mit.edu und des Qatar Computing Research Institute http://qcri.org entwickelte "RoadTagger" erkennt in Satellitenaufnahmen den Straßentyp und die Zahl der Fahrspuren und das auch trotz Bäumen oder Gebäuden, die die Sicht verdecken. Künftig soll das System noch mehr Details wie Radwege und Parkplätze erkennen.

Foto: googlemaps.com, mit.edu
Satellitenaufnahme: verrät einiges zu Straßen (Foto: googlemaps.com, mit.edu)

KI statt teures Abfahren

Umso mehr Details digitale Karten umfassen, desto nützlicher sind sie - beispielsweise, weil ein Navigationssystem vor dem Flaschenhals zusammenlaufender Fahrspuren warnen kann. Doch um genaue Details zu sammeln, kommen bislang nur mit Kameras bestückte Autos wie die von Google zum Einsatz, die Straßen tatsächlich abfahren. "Die meisten richtig aktuellen, digitalen Karten gibt es von Orten, die große Unternehmen interessieren", sagt Sam Madden, MIT-Professor für Elektrotechnik und Informatik. Denn für andere, beispielsweise abgelegenere Gegenden, ist Abfahren zu aufwendig. Eben das soll RoadTagger nun unnötig machen.

"Unser Ziel ist es, den Prozess der Erstellung hochwertiger digitaler Karten zu automatisieren, sodass sie in jedem Land verfügbar werden", meint Madden. Dazu setzt die neue KI darauf, automatisch Straßeneigenschaften in für die meisten Gegenden leicht erhältlichen Satellitenkarten zu finden. Um das zu ermöglichen, kombiniert das System zwei unterschiedliche Arten neuronaler Netze, die anhand von Trainingsarten aus dem Projekt OpenStreetMap http://openstreetmap.org gelernt haben, Straßeneigenschaften zu erkennen. Unbekannte Straßen in Satellitenaufnahmen teilt RoadTagger nun in etwa 20 Meter lange Abschnitte und bewertet deren Eigenschaften.

Klarheit bei verstelltem Blick

Selbst wenn der Blick auf einen Teilbereich, beispielsweise durch Baumkronen, verdeckt ist, kann das System eine Einschätzung treffen. Dabei nutzt es Infos über angrenzende Straßenabschnitte, um vernünftige Vorhersagen zu treffen. Wenn sich ein nicht klar erkennbares 20-Meter-Teilstück beispielsweise zwischen zwei vierspurigen Straßenstücken befindet, dürfte es wohl auch vierspurig sein; ist die Straße an einem Ende der Sichtbehinderung vier- und am anderen Ende zweispurig, muss hingegen im verdeckten Bereich eine Verengung erfolgen.

In Tests an Google-Maps-Daten von Straßen mit eingeschränkter Sichtbarkeit hat RoadTagger so den Straßentyp (Highway oder Wohngegend) mit 93-prozentiger Genauigkeit, die Spurzahl immerhin mit 77-prozentiger Genauigkeit erkannt. Die Forscher wollen das System nun weiter verbessern und dabei auch zusätzliche Eigenschaften erfassen, darunter Radwege, Parkbuchten sowie den Straßenbelag - immerhin macht es für Autofahrer einen Unterschied, ob eine ehemalige Schotterpiste irgendwo im Hinterland mittlerweile doch asphaltiert ist.

Zum Preprint "RoadTagger: Robust Road Attribute Inference with Graph Neural Networks": arxiv.org/pdf/1912.12408.pdf

 

 

 

 

Social Bookmarks

Wir benutzen Cookies
Cookies ermöglichen eine bestmögliche Bereitstellung unserer Dienste. Mit der Nutzung von GEObranchen.de und unseren Diensten erklären Sie sich damit einverstanden, dass wir Cookies verwenden.