Etikettarkiv: Mapillary

VAMLAV uppdaterar kartor via crowdsourcing

Forskningsprojektet VAMLAV, finansierat av FFI-programmet, kommer att testa uppdatering av högupplösta kartor från bilar med ”vanliga” sensorer [1].

Högupplösta kartor behövs för positionering och lokalisering, alltså att veta exakt var bilen befinner sig och vart den är på väg. Sådana kartor tas hittills fram genom bl.a. laserskanning med labutrustning. Problemet är att det är dyrt och tidskrävande att hålla kartorna uppdaterade.

I VAMLAV ska projektparterna AstaZero, RISE, Mapillary, AI Innovation of Sweden och Zenuity testa att istället uppdatera kartorna med data från de sensorer, främst kameror, som redan sitter eller kommer att sitta i produktionsbilar. Projektet startade i oktober och ska pågå i två år.

Källa

[1] Johan Kristensson: Kameror i självkörande bilar ska uppdatera kartan automatiskt, Ny Teknik 2019-11-20 Länk

Data om trafikskyltar från Mapillary

Stratuppföretaget Mapillary från Malmö, som arbetar med att skapa kartor med hjälp av datorseende, har nu öppnat upp världens största dataset med annoterade bilder på trafikskyltar [1]. 

Datasetet innehåller 100 000 bilder med 320 000 trafikskyltar tagna i olika länder, miljöer och väderförhållanden. Runt 52 000 av bilderna har annoterats och verifierats av människor, medan resterande bilder har delvis annoterats genom Mapillarys egen teknik för datorseende.

Datasetet är fritt att använda i forskningssyfte, men kommersiella användare får betala. Tanken är att stödja utvecklingen av självkörande fordon.

Här kan man ladda ner det berörda datasetet. 

Egen kommentar

Mapillarys data om trafikskyltar är unik och något som verkligen behövs. Här saknar jag dock ett viktigt valideringssteg mot data från myndigheter så att man vet att det kameran ser är i enlighet med trafikföreskrifter. I Sverige skulle detta vara Nationella vägdatabasen (NVDB). Här kan ni läsa om ett liknande initiativ i Storbritannien. 

Källor

[1] Ertler, K., Mapillary. Introducing the Mapillary Traffic Sign Dataset for Teaching Machines to Understand Traffic Signs Globally. 2019-06-27 Länk