必要性是发明的母亲。技术思维一直在寻找解决现有问题的解决方案。类似的研究遵循麻省理工学院电气工程和计算机科学系教授Sam Madden面临的经验。
“While visiting Qatar, we’ve had experiences where our Uber driver can’t figure out how to get where he’s going, because the map is so off, If navigation apps don’t have the right information, for things such as lane merging, this could be frustrating or worse.”
Google地图确实已被证明是向用户提供位置信息的可靠和有效来源。但是，数据收集方法非常疲惫，将车辆周围发送到所有角落，以捕获所有维度的图像。技术的进步使该应用程序成为所有人的必要性。找到一条新路线或到达以前未知的目的地，变得比以往任何时候都变得不符合。但是，该应用程序是否跟踪更新的体系结构？
此外，这个过程非常昂贵，只能由科技巨头提供。那么，麦登的方法是什么？
与卡塔尔计算机研究所合作，麻省理工学院的团队提议将人工智能，机器学习和卫星图像带入实践，以改进GPS导航版本。那么，努力增加了什么其他成分？
称为Roadtagger。引入了已配备神经网络的新软件。好的是，它可以帮助您在建筑物，障碍物和障碍物后面看到。您可以欣赏车道的景色，也可以了解交通的性质。
Roadgagger偷看了简化人类生活的复杂算法，使用了卷积神经网络（CNN）和图神经网络（GNN）。这两个工具都属于机器学习算法的家族，这意味着可以处理有限的数据集以进行进一步的预测。整个活动涉及最小的人类干扰。
遵循的过程首先将卫星图像馈送到CNN。然后，GNN发挥了自己的作用，形成了道路20米的“瓷砖”。数据是从这些图块中提取的，并突出显示和学习详细的功能。如果由于建筑物或障碍物的存在，某个瓷砖变得不可见，则研究其他瓷砖以预测相应的瓷砖的性质。
研究了新开发的工具，研究了20个美国城市。预测车道数量的结果为77％，而建议道路类型的结果为93％。该团队在讨论该软件的未来计划时说，它将在Road Tagger中纳入改进的功能，例如停车预测和自行车道。
引用信贷主，“我们的目标是自动化生成高质量数字地图的过程，以便在任何国家 /地区都可以使用。”
