1. Предыстория и текущая ситуация
В последние годы инфраструктура строительства внутренних автомобильных дорог и связанных с ними объектов менялась с каждым днем. Спрос большинства пользователей на ежедневные поездки высок, что выдвигает более высокие требования к качеству данных и текущей ситуации с используемыми электронными картографическими продуктами. Традиционный процесс сбора и производства картографических данных, то есть режим ручной обработки собранных данных после сбора на месте с помощью сборочного оборудования, противоречия медленного обновления данных и высокой стоимости обработки становятся все более заметными.
AutoNavi Map возглавляет трансформацию индустрии картографических данных благодаря преимуществам визуального ИИ и технологии больших данных, а также использует технологию ИИ изображений для прямой идентификации и извлечения различных элементов данных из собранных данных, обеспечивая наиболее прочную техническую основу для реализации режим работы машин, заменяющих человека.
Благодаря высокочастотному сбору данных с высокой плотностью в реальном мире AutoNavi Map использует визуальные возможности искусственного интеллекта для автоматического обнаружения, идентификации и определения содержимого и местоположения различных дорожных знаков и разметки в огромной коллекции изображений. и информация может быстро обнаруживать меняющуюся информацию в реальном мире, и в то же время, в сочетании с мощными и профессиональными возможностями объединения данных, может быть достигнута 100% интеграция информации, чтобы построить национальную базовую карту высокой текущей ситуации.
Подводя итог, можно сказать, что благодаря углубленному техническому сотрудничеству в области алгоритмов и составления карт, а также деловым связям со сбором и производством данных, полностью автоматизированное производство базовых картографических данных с распознаванием изображений, службами определения местоположения, дифференциальной фильтрацией и объединением данных в качестве будут построены основные технологии производственной линии, что позволит создать эффективный и высококачественный производственный канал конвейера данных от реального мира до терминала картографического приложения.
2. Осуществимость и направленность автоматизированной производственной линии
С точки зрения прогресса в классификации и обнаружении объектов изображения, классификация и обнаружение объектов изображения имеет многолетнюю историю, и появился ряд классических алгоритмов. В последние годы, с быстрым развитием технологии распознавания изображений, особенно технологии глубокого обучения, и развитием вычислительной мощности графического процессора, технология классификации и обнаружения была значительно улучшена.
С точки зрения больших данных, необходимых для автоматизации, AutoNavi занимается созданием картографических данных уже более десяти лет и накопил обширные и точные данные, охватывающие всю страну. Эти данные стали естественными образцами для обучения алгоритмов. В то же время набор специализированных и стандартизированных спецификаций операций по производству карт заложил прочную теоретическую основу для объединения данных.
Таким образом, с точки зрения резервной мощности алгоритма, накопления данных и процессов, создание автоматизированных производственных линий имеет высокую осуществимость, и его основное внимание состоит из следующих четырех частей:
Идентификация изображения: Целью распознавания изображений является выделение фактической информации, относящейся к данным карты, из входного изображения путем обнаружения и распознавания информации о разметке дорожных знаков на изображении, разделения ее типа и понимания цифр и слов в ней, а также выражая его в виде текстового содержания. Кроме того, поскольку вход представляет собой непрерывное изображение, сетку с одним знаком можно наблюдать на нескольких изображениях, поэтому одна и та же информация из нескольких изображений интегрируется, и наиболее подходящее изображение выбирается в качестве основного изображения для отображения.
Служба определения местоположения: на основе данных GPS низкой точности и собранных изображений служба определения местоположения вычисляет точное местоположение себя и объектов в сцене и сопоставляет его с данными карты. К ним относятся основные возможности, такие как понимание дороги изображения, анализ местоположения знака и сопоставление траектории сбора. В соответствии с характеристиками траектории и связностью дорог устанавливается модель вероятности соответствия для связи между положением позиционирования, углом, скоростью и т. д. и дорогой-кандидатом, а траектория связывается с данными карты. Благодаря пониманию сцены на нескольких изображениях задается относительное положение изображения относительно перекрестка, а положение действия объекта дополнительно определяется на основе формы данных карты дороги.
Различение изображений и семантическая фильтрация: Цель состоит в том, чтобы сравнить вновь собранные данные с данными в существующей основной базе данных и автоматически выполнять операции по различию и фильтрации той же информации, оставляя измененную информацию. Разница между ними заключается в том, что первый определяет, изменились ли вновь собранные изображения в том же месте по сравнению с исторически собранными изображениями, и сравнивает их с точки зрения траектории и самого изображения; второй анализирует изображение. Содержание распознавания с точки зрения данных.Если есть изменения, сравните с точки зрения семантики карты.
Объединение данных на основе местоположения: Результат распознавания изображения в сочетании с позицией действия, предоставленной службой определения местоположения, получает дорогу действия. С помощью модели абстрактного перекрестка выполняется объединение данных о дороге или перекрестке, то есть данные карты добавляются или обновляются.
3. Ключевые технические возможности
Идентификация изображения
Распознавание изображений в основном сталкивается с тремя основными проблемами: с одной стороны, существуют различные сценарии и типы. Существует много типов объектов, которые необходимо обнаруживать, например, дорожные знаки, наземные направляющие линии, электронные глаза и т. д. Например, обычный информационный знак направления выглядит следующим образом:
Подводя итог, можно сказать, что для самой возможности алгоритма обнаружение дорожных знаков на самом деле является задачей обнаружения нескольких типов целей.Основным методом является схема End2End, основанная на глубоком обучении, которая одновременно выполняет задачи обнаружения и подклассификации в одной сети. Обычно используются наборы данных PASCAL VOC (20 категорий) и COCO (90 категорий).
В соответствии с реальными потребностями бизнеса вся схема делится на две части: обнаружение целей и точная классификация.На этапе обнаружения целей Faster-RCNN используется для обнаружения всех дорожных знаков на картинке.Этот этап требует чрезвычайно высокой полноты скорость и скорость выполнения Требования могут быть смягчены с точки зрения скорости: этап точной классификации получает кадры-кандидаты от этапа обнаружения цели, а затем выполняет точную классификацию и отфильтровывает шум, в конечном итоге обеспечивая очень высокую скорость отзыва и точность.
.Сервисы определения местоположения
Смещение траектории всегда было серьезной проблемой для точности карт сопоставления местоположения.С одной стороны, параллельные дороги и возвышенные сценарии, особенно параллельные дороги с расстоянием в 1-2 полосы движения, такие как основные и вспомогательные дороги, требуют высокой точности позиционирования. Обычная точность позиционирования GPS составляет 5-10 м, и трудно достичь 80-процентной скорости идентификации основных и вспомогательных дорог. Кроме того, сами основные картографические данные также имеют проблему с точностью GPS.
В дополнение к базовым теориям, таким как правила и скрытая марковская модель обучения, рассуждения и алгоритм Витерби, разумное противодействие проблеме дрейфа позиционирования является ключом к успешному согласованию траекторий. Изучая и обобщая форму траектории, выясняйте ее правила, устанавливайте вероятностную модель, которая соответствует ее характеристикам, точно выражайте процесс установления соответствия и разумно уравновешивайте взаимосвязь между точностью сопоставления и способностью противодействовать дрейфу. Кроме того, количество полос движения или взаимосвязь положения дороги определяется посредством соединения длинных траекторий и изображений для решения проблемы частичных сцен параллельных дорог.
Определение рабочей дороги и рабочего положения в настоящее время зависит от распознавания изображений для определения местоположения перекрестка и слияния понимания и суждения о сцене данных карты.Понимание и оценка характеристик данных дорожной сети данных более сложны. , и люди могут понять это с первого взгляда, но машинам трудно описать это правилами. Поэтому путем анализа сценариев, таких как движение прямо на участке дороги, движение прямо на перекрестке и поворот, и сравнение модели участка дороги или перекрестка на карте, определяется рабочая дорога и рассчитывается позиция действия. по разным атрибутам.
3. Дифференциация изображений и семантическая фильтрация
Различие изображений в основном сталкивается с проблемой выравнивания данных, то есть на многократный сбор данных в одном и том же месте будет влиять точность самого GPS и отклонение оценки дороги, вызванное дрейфом, вызванным окклюзией спутника. сигнал. Кроме того, с точки зрения семантического распознавания, на анализ глубокой семантической информации (типа, содержания, и т. д.) изображения последующими алгоритмами. Наложение двух факторов значительно увеличивает сложность при сравнении нескольких изображений с семантической согласованностью.
В связи с этим алгоритм значительно повышает точность идентификации и суждения о непротиворечивости, чтобы избежать влияния неправильного сопоставления на обновления данных. Различие изображений разделено на две части: выравнивание данных и локальное сопоставление.Сопоставление данных отвечает, находятся ли два собранных изображения в одном и том же положении и перспективе и т. д., а позиционное соотношение между двумя изображениями оценивается с помощью грубого скрининга траектории GPS. и сопоставление изображений. Локальное сопоставление должно отвечать на вопрос, относятся ли два объекта к одному типу.Для объектов с текстовым содержимым также необходимо определить согласованность макета и текста. Поэтому, в дополнение к внедрению методов сопоставления общих точечных признаков, также используется сеть сопоставления изображений, основанная на глубоком обучении. Для части текстового содержимого функция OCR используется для завершения понимания и анализа содержимого, и, наконец, делается вывод о том, что содержимое, собранное дважды, полностью согласовано.
4. Объединение данных на основе местоположения
Из-за сложности реального мира накопленный опыт создания карт сформировал большое количество стандартизированных спецификаций производства картографических данных, которые являются нематериальными активами, которые могут разумно абстрагироваться и точно отображать реальный мир. Даже если реальная дорожная сеть имеет множество странных форм, ее можно абстрагировать и классифицировать с помощью модели, и можно установить относительно общую модель картографических данных в различных сценариях, чтобы установить большое количество инструментов обработки картографических данных и методы на нем, чтобы обеспечить автоматическую интеграцию данных.Широкое использование возможностей.
4. Резюме
Автоматическая реализация создания базовых картографических данных AutoNavi SD — это, по сути, внедрение технологии искусственного интеллекта изображений и технологии объединения данных в процессе создания базовых картографических данных в сочетании с многолетними эксплуатационными спецификациями и опытом создания цифровых карт для обновления набора данных. автоматизированные производственные линии, ориентированные на автоматизацию форм и высвобождение рабочей силы для непрерывного предоставления высокоэффективных и высококачественных картографических данных для решения проблем производственных линий, таких как высокая степень специализации, высокая стоимость рабочей силы и низкая эффективность работы производственных линий поставщиков карт, и, наконец, удовлетворить текущую ситуацию с данными продукта электронной карты в процессе путешествия пользователей сексуальные потребности.