Todos hemos usado alguna vez el servicio GPS de nuestro móvil, ya sea para orientarnos con el mapa o para buscar un sitio específico, y seguramente todos ya nos hemos encontrado alguna vez con información inexacta o problemas de exactitud usando esta tecnología, principalmente a la hora de determinar en qué carril de una carretera nos encontramos.
Ahora son investigadores del MIT los que acuden a nuestra ayuda para mejorar el sistema.
En la actualidad mantener un mapa actualizado es un proceso costoso y requiere mucho tiempo. Debido a los costos involucrados, algunas partes del mundo están siendo ignoradas; Los datos del GPS son básicos en el mejor de los casos, o simplemente inexistentes.
Una solución a estos desafíos es liberar modelos de aprendizaje automático en imágenes satelitales para etiquetar automáticamente las características de las carreteras. Esto es más barato, estas imágenes se actualizan regularmente y una vista panorámica de una carretera proporcionará mucha más información útil sobre el control de carriles. El problema es que las imágenes satelitales de las carreteras a menudo están ocultas por cosas como árboles y edificios, lo que dificulta el componente de aprendizaje automático.
Trabajando con el Instituto de Investigación de Computación de Qatar (QCRI), MIT ha diseñado un sistema que utiliza una combinación de arquitecturas de redes neuronales para predecir automáticamente los tipos de carreteras y la cantidad de carriles detrás de las obstrucciones. En las pruebas, el sistema, llamado RoadTagger, contó los números de carriles con una precisión del 77 por ciento, y podría inferir tipos de carreteras (residenciales o autopistas, por ejemplo) con una precisión del 93 por ciento.
QCRI ha invertido en esta investigación debido a los desafíos que enfrenta Qatar antes de la Copa Mundial de la FIFA 2022. En algunos casos los conductores de Uber de la ciudad no pueden encontrar la manera de llegar al destino porque el mapa está muy mal, porque las aplicaciones de navegación no tienen la información correcta, y esto tiene que solucionarse dentro de poco tiempo.
Los investigadores planean desarrollar RoadTagger para predecir también otras características, como lugares de estacionamiento y carriles para bicicletas, y esperan que algún día pueda usarse para ayudar a los humanos a validar rápidamente las continuas modificaciones en las carreteras.
Quieren así automatizar el proceso de generación de mapas digitales de alta calidad, para que puedan estar disponibles en cualquier país.