Select Page

GPS-Navigationssysteme verwenden gespeicherte Karteninformationen zur Bestimmung der optimalen Routenauswahl auf der Grundlage eines Algorithmus für den kürzesten Weg. Diese Technik ist recht erfolgreich, wenn es darum geht, Sie in einer angemessenen Zeit an Ihr gewünschtes Ziel zu bringen, und sie ist fehlertolerant in dem Sinne, dass sie im Fehlerfall automatisch umleiten kann. Ein Nachteil dieses Ansatzes ist, dass er keinen Speicher hat. Er erinnert sich nicht automatisch an die tatsächliche Zeit, die Sie gebraucht haben, um dorthin zu gelangen, und er lernt auch nicht aus dieser Erfahrung und nutzt die tatsächlichen Messungen, um die künftige Routenwahl zu verbessern.

Es wird eine einfache Methode zur Modifizierung eines GPS-Navigationssystems beschrieben, um ein einfaches Lernparadigma unter Verwendung von Geschwindigkeitsprofilen einzubauen. Zusätzlich zum Lernen können diese Geschwindigkeitsprofile auch dazu verwendet werden, Merkmale aus der Umgebung zu extrahieren, die dann dazu verwendet werden können, die Genauigkeit der optimalen Routenauswahl weiter zu verbessern. Es wird davon ausgegangen, dass es vollständig autonom ist, was bedeutet, dass es keine Benutzereingaben oder Eingriffe erfordert. Alle erforderlichen Informationen werden aus der Aufzeichnung von GPS-Standort, Datum und Uhrzeit abgeleitet.

Künstliche Intelligenz zur Aktualisierung digitaler Karten und zur Verbesserung der GPS-Navigation

Obwohl Google und andere Technologiegiganten ihre eigene Dynamik haben, um möglichst detaillierte und aktuelle Karten zu erhalten, ist dies ein teurer und zeitaufwändiger Prozess. Und in einigen Gebieten sind die Daten begrenzt.

Um dies zu verbessern, haben Forscher am MIT und am Qatar Computing Research Institute (QCRI) ein neues, auf Satellitenbildern basierendes maschinelles Lernmodell entwickelt, das digitale Karten für die GPS-Navigation erheblich verbessern könnte. Das System mit dem Namen “RoadTagger” erkennt die Art der Straßen und die Anzahl der Fahrspuren in Satellitenbildern, auch trotz Bäumen oder Gebäuden, die die Sicht verdecken. In Zukunft soll das System noch mehr Details erkennen, wie zum Beispiel Radwege und Parkplätze.

RoadTagger stützt sich auf eine neuartige Kombination aus einem faltenden neuronalen Netz (CNN) und einem graphischen neuronalen Netz (GNN), um automatisch die Anzahl der Fahrspuren und Straßentypen (Wohngebiete oder Autobahnen) hinter Hindernissen vorherzusagen.

Einfach ausgedrückt: Dieses Modell wird nur mit Rohdaten gefüttert und produziert automatisch Ausgaben ohne menschliches Eingreifen. Im Anschluss an diese Dynamik können Sie z.B. die Art der Straße oder ob sich mehrere Fahrspuren hinter einem Gehölz befinden, anhand der analysierten Eigenschaften der Satellitenbilder vorhersagen.

Das Forscherteam hat RoadTagger bereits mit Echtdaten getestet, wobei es eine Fläche von 688 Quadratkilometern mit Karten von 20 US-Städten abdeckte und eine Genauigkeit von 93% bei der Erkennung von Straßentypen und 77% bei der Anzahl der Fahrspuren erreichte.

Die Beibehaltung dieses Genauigkeitsgrades auf digitalen Karten würde nicht nur Zeit sparen und den Fahrern viele Kopfschmerzen ersparen, sondern könnte auch Unfälle verhindern. Und natürlich wäre dies eine wichtige Information im Notfall oder bei Katastrophen.

Nun wollen die Forscher das System weiter verbessern und auch zusätzliche Eigenschaften wie Radwege, Parkplätze und den Straßenbelag erfassen – schließlich macht es für die Autofahrer einen Unterschied, ob eine ehemalige Schotterpiste nun irgendwo im Hinterland asphaltiert ist.

Die heutigen GPS-Empfänger sind dank ihres parallelen Mehrkanal-Designs extrem genau. Unsere Empfänger lassen sich beim ersten Einschalten schnell auf Satelliten ausrichten. In dichtem Baumbewuchs oder in städtischen Gebieten mit hohen Gebäuden halten sie eine Verfolgungssperre aufrecht. Bestimmte atmosphärische Faktoren und andere Fehlerquellen können die Genauigkeit von GPS-Empfängern beeinträchtigen. GPS-Empfänger von Garmin sind in der Regel bis auf 10 Meter genau. Auf dem Wasser ist die Genauigkeit sogar noch besser.

Die Genauigkeit einiger Garmin GPS-Empfänger wird durch WAAS (Wide Area Augmentation System) verbessert. Diese Fähigkeit kann die Genauigkeit auf besser als 3 Meter verbessern, indem sie Korrekturen für die Atmosphäre liefert. Für die Nutzung der WAAS-Satelliten sind keine zusätzlichen Geräte oder Gebühren erforderlich. Benutzer können auch eine bessere Genauigkeit mit Differential GPS (DGPS) erzielen, das die GPS-Entfernungen auf durchschnittlich 1 bis 3 Meter genau korrigiert. Die U.S. Coast Guard betreibt den am weitesten verbreiteten DGPS-Korrekturdienst, der aus einem Netz von Türmen besteht, die GPS-Signale empfangen und ein korrigiertes Signal über Bakensender aussenden. Um das korrigierte Signal zu erhalten, müssen die Benutzer zusätzlich zu ihrem GPS über einen Differential-Bakenempfänger und eine Bakenantenne verfügen.

Andere GPS-Systeme

Es gibt auf der Welt noch andere ähnliche Systeme wie GPS, die alle als Global Navigation Satellite System (GNSS) klassifiziert werden. GLONASS ist ein Satellitenkonstellationssystem, das von Russland gebaut wurde. Die Europäische Weltraumorganisation schafft Galileo, während China BeiDou schafft. Die meisten Garmin-Empfänger verfolgen sowohl GLONASS als auch GPS, und einige verfolgen sogar BeiDou. Sie können eine zuverlässigere Lösung erwarten, wenn Sie mehr Satelliten verfolgen. Mit neueren Garmin-Produkten könnten Sie fast 20 verfolgen.