地图利用可能曾经改变了咱们的全球，但他们依然无映射全部这点。详细而言，绘制公路可能既难题又乏味：即便在拍摄航拍图像后，企业依然须要消费好多时间来手动追踪公路。因而，即便像google这样的企业也无最初绘制全世界超越2000万英里的公路中的绝许多数。

地图中的差距是一种难题，特别是关于为自动驾驭车子开发的体系。为理解决这种难题，麻省理工学院计算机科学与人力智能实验室(CSAIL)的探讨人士组建了RoadTracer，这是一个自动化方法，可行建立比现存方法明确度高45%的路线图。

运用来源航拍图像的数据，该团队显示，RoadTracer不但更明确，况且比现存方法更具本钱效益。麻省理工学院教授穆罕默德·阿里扎德(Moha毫米ad Alizadeh)显示，这项事业对google这样的科技巨头以及无资源策划和纠正地图中大批错误的小型组织都很有效。

“RoadTracer十分符合绘制地图经常过时的全球地域，此中包括人数不多的地域和经常建设的地域，”Alizadeh说，他是一篇对于该地图的新论文的一同作者之一。体系。“比如，泰国农村等偏远地域的现存地图缺一些多公路。RoadTracer可行帮助它们更明确。“

比如，在察看纽约市的航拍图像时，RoadTracer可行正确地映射44%的公路交叉点，这比鉴于图像切割的惯例方法的效能高出两倍，而惯例方法只能映射19%。

该论文将于6月在犹他州盐湖城举办的计算机视线与形式辩别会议(CVPR)上发表，是CSAIL与卡塔尔计算探讨所(QCRI)的合作。

Alizadeh的麻省理工学院合着者包括探讨生Fayven Bastani和Songtao He，以及教授Hari Balakrishnan，Sam Madden和David DeWitt。QCRI的一同作者包括顶级软件工程师Sofiane Abbar和Sanjay Chawla，他是QCRI数据剖析小组的探讨主管。

当前自动化地图的努力涉及训练神经网站以察看航拍图像并将各个像素辩别为“公路”或“非公路”。由于航拍图像平常可能是模糊且不完整的，是以这样的体系还须要后料理环节。试图填补少许空白。

不幸的是，这点所谓的“切割”方法平常是不精准的：假如模子错误标志了一种像素，那末该错误将在终归的路线图中被放大。假如航拍图像有树木，建筑物或阴影遮挡公路最初和完毕的位置，则特别简单出错。(后料理环节还须要依据可能其实不总是存留的假设做出决策，比如接连两个路段仅仅是由于他们彼此相邻。)

同一时间，RoadTracer一步步组建地图。它从公路网站上的已知位子最初，并运用神经网站审查四周地域以确定哪个点最可能是公路上的下一种部分。接下来，它会添加该点并循环该进程，一步步一步步追踪公路网站。

Bastani显示：“RoadTracer非是干脆就各式像素能否代表公路的某些部分做出数千个不同的打算，却是专注于从咱们所晓得的公路最初时确定从哪个方向最初的更容易的难题。” “这在好多方面实质上与人类建立咱们四周全球的心思模子的形式更挨近。”

该团队在北美和欧洲六个的25个都市的航拍图像上训练了RoadTracer，接下来估价了其在其它15个都市的测绘能力。

“关于地图体系来讲，能够在未通过培训的都市中体现良好十分要紧，由于自动映射最有期望的地域是现存地图不存留或不明确的地域，”Balakrishnan说。

Bastani显示，RoadTracer的错误率下降了45%，这关于让像Google这样的企业愈加实用的自动绘图体系至关要紧。

“假如错误率太高，那末从头最初手动映射公路与从推断的地图中删除不正确的段更有用，”Bastani说。

虽然如许，实行相似RoadTracer的东西其实不会使人十足脱离重复：团队说它们可行想象体系会为大地域提议路线图，接下来使人类行家进来用心审查设置。

“这便是说，很显著，像咱们这样的体系可行大大降低人类必需做的烦琐事业量，”Alizadeh说。

实质上，RoadTracer增加数量方法的一种优点是它可行更简单地纠正错误; 人力监督员可行容易地纠正他们并从中断处从新运转算法，而非是接着运用不精准的消息，这点消息会渐渐渗透到地图的其它部分。

自然，航拍图像不过拼图的一部分。它们不会向您提供相关天桥和地下渠道的消息，由于这点都没有办法从上面确定。因而，该团队还单独开发可行从GPS数据组建地图的算法，并努力将这点方法合并到一种体系发展映射。