Wissenschaft 27.01.2020, 13:33 Uhr

KI-Modell könnte Navi-Karten erheblich verbessern

Ein Modell von Wissenschaftlern des MIT erkennt aus Satellitenaufnahmen Details zu Strassen.
Beispiele für den Rückschluss auf die Fahrspur: Beispiele (a–e) und den Strassentyp: Beispiel (f)
(Quelle: RoadTagger: Robust Road Attribute Inference)
Ein neues KI-System soll helfen, digitale Karten für die GPS-Navigation zu verbessern. Das von Forschern des Massachusetts Institute of Technology (MIT) und des Qatar Computing Research Institute entwickelte «RoadTagger» erkennt in Satellitenaufnahmen den Strassentyp und die Zahl der Fahrspuren – und das auch trotz Bäumen oder Gebäuden, welche die Sicht verdecken. Künftig soll das System noch mehr Details wie Radwege und Parkplätze erkennen.

KI statt teures Abfahren

Satellitenaufnahme: verrät einiges zu Strassen
Quelle: googlemaps.com / mit.edu
Je 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 das Abfahren zu aufwendig. Eben dies 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 gelernt haben, Strasseneigenschaften zu erkennen. Unbekannte Strassen in Satellitenaufnahmen teilt RoadTagger nun in etwa 20 Meter lange Abschnitte auf und bewertet deren Eigenschaften.

Klarheit bei verstelltem Blick

Selbst wenn der Blick auf einen Teilbereich verdeckt ist, beispielsweise durch Baumkronen, 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»: http://arxiv.org/pdf/1912.12408.pdf

(www.pressetext.com)



Kommentare
Es sind keine Kommentare vorhanden.