Cómo el aprendizaje automático conducirá a mejores mapas

A pesar de ser uno de los países más ricos del mundo, en Qatar, los mapas digitales están rezagados. Si bien el país está agregando nuevas carreteras y mejorando constantemente las antiguas en preparación para la Copa Mundial de la FIFA 2022, Qatar no es una alta prioridad para las empresas que realmente construyen mapas, como Google.

“Mientras visitábamos Qatar, hemos tenido experiencias en las que nuestro conductor de Uber no puede encontrar la manera de llegar a dónde va, porque el mapa está muy mal”, dijo Sam Madden, profesor del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT. en una declaración preparada. “Si las aplicaciones de navegación no tienen la información correcta, para cosas como la fusión de carriles, esto podría ser frustrante o peor”.

La solución de Madden? Deje de esperar a Google y alimente a los modelos de aprendizaje automático con todo un buffet de imágenes satelitales. Es más rápido, más barato y mucho más fácil obtener imágenes satelitales de lo que es para una compañía de tecnología conducir alrededor de tomar fotos de la vista de la calle. El único problema: las carreteras pueden estar obstruidas por edificios, árboles o incluso señales de tráfico.

Entonces Madden, junto con un equipo compuesto por científicos informáticos del MIT y el Instituto de Investigación de Computación de Qatar, ideó RoadTagger, un nuevo software que puede usar redes neuronales para predecir automáticamente cómo se ven las carreteras detrás de las obstrucciones. Es capaz de adivinar cuántos carriles tiene una carretera determinada y si es una carretera o una carretera residencial.

RoadTagger utiliza una combinación de dos tipos de redes neuronales: una red neuronal convolucional (CNN), que se utiliza principalmente en el procesamiento de imágenes, y una red neuronal gráfica (GNN), que ayuda a modelar relaciones y es útil con las redes sociales. Este sistema es lo que los investigadores llaman “extremo a extremo”, lo que significa que solo se alimenta de datos en bruto y no hay intervención humana.

Primero, las imágenes de satélite sin procesar de las carreteras en cuestión son entradas a la red neuronal convolucional. Luego, la red neuronal del gráfico divide la carretera en secciones de 20 metros llamadas “mosaicos”. La CNN extrae las características de carretera relevantes de cada mosaico y luego comparte esos datos con los otros mosaicos cercanos. De esa forma, se envía información sobre el camino a cada mosaico. Si uno de estos está cubierto por una obstrucción, RoadTagger puede mirar los otros mosaicos para predecir lo que está incluido en el que está ofuscado.

Las partes de la carretera solo pueden tener dos carriles en un mosaico dado. Mientras que un humano puede decir fácilmente que una carretera de cuatro carriles, rodeada de árboles, puede estar bloqueada de la vista, una computadora normalmente no podría hacer tal suposición. RoadTagger crea una intuición más humana en un modelo de aprendizaje automático, dice el equipo de investigación.

“Los humanos pueden usar información de mosaicos adyacentes para adivinar la cantidad de carriles en los mosaicos ocluidos, pero las redes no pueden hacer eso”, dijo Madden. “Nuestro enfoque trata de imitar el comportamiento natural de los humanos … para hacer mejores predicciones”.

Los resultados son impresionantes. Al probar RoadTagger en caminos ocluidos en 20 ciudades de EE. UU., El modelo contó correctamente el número de carriles el 77 por ciento del tiempo e infirió los tipos de caminos correctos el 93 por ciento del tiempo. En el futuro, el equipo espera incluir otras características nuevas, como la capacidad de identificar lugares de estacionamiento y carriles para bicicletas.