Το Pokémon Go είχε γίνει παγκόσμιο φαινόμενο, με εκατοντάδες εκατομμύρια ανθρώπους να βγαίνουν στους δρόμους για να εντοπίσουν σπάνια Pokémon. Παράλληλα με την τεράστια αυτή διάδοση, το παιχνίδι χρησιμοποιούσε δεδομένα που συνέλεγαν οι ίδιοι οι παίκτες, μέσω των φωτογραφιών και κινήσεων τους, για να χαρτογραφήσει τον πραγματικό κόσμο.
Τα τελευταία δέκα χρόνια, οι παίκτες του Pokémon Go υπέβαλαν εθελοντικά φωτογραφίες και σύντομα βίντεο από δημόσια σημεία ενδιαφέροντος, δρόμους, καταστήματα και αστικά σημεία. Το υλικό αυτό έχει συγκροτήσει ένα σύνολο δεδομένων που αριθμεί πλέον 30 δισεκατομμύρια εικόνες, τραβηγμένες από το επίπεδο του δρόμου σε σχεδόν όλες τις μεγάλες πόλεις του κόσμου.
Η Niantic Spatial, ο επιχειρησιακός και AI/χαρτογραφικός βραχίονας που προέκυψε από τη Niantic Inc., αξιοποίησε αυτά τα δεδομένα για να δημιουργήσει ένα φωτορεαλιστικό, επίγειο και διαρκώς ενημερωμένο μοντέλο του φυσικού κόσμου, σχεδιασμένο ειδικά για χρήση από ρομπότ.
Το μοντέλο αυτό χρησιμοποιείται πλέον για την πλοήγηση ενός στόλου περίπου 1.000 ρομπότ παράδοσης της Coco Robotics, τα οποία λειτουργούν σε πόλεις όπως το Λος Άντζελες, το Σικάγο, το Μαϊάμι, το Jersey City και το Ελσίνκι, έχοντας καταγράψει ήδη εκατομμύρια μίλια διαδρομών.
Ο διευθυντής τεχνολογίας της Niantic Spatial, Μπράιαν ΜαΚΚλέντον — ένας από τους αρχικούς δημιουργούς του Google Earth — περιγράφει ανοιχτά τη στρατηγική συλλογής δεδομένων που ακολουθεί η εταιρεία.
O Brian McClendon, CTO της Niantic Spatial, δήλωσε ότι τα δεδομένα που συγκεντρώνουν οι παίκτες αποτελούν εκπαίδευση υψηλής ποιότητας για μοντέλα που πρέπει να λειτουργούν και με χαμηλότερης ποιότητας δεδομένα. Η μακροπρόθεσμη στρατηγική της Niantic Spatial βασίζεται στην εξής αρχή:
Αν τα μοντέλα εκπαιδευτούν εντατικά σε περιορισμένα αλλά υψηλής ακρίβειας σύνολα δεδομένων, μπορούν στη συνέχεια να χρησιμοποιούν πιο ευρέως διαθέσιμα δεδομένα χαμηλότερης ανάλυσης για να επιτυγχάνουν εντοπισμό, ανακατασκευή περιβάλλοντος και κατανόηση σκηνής, ακόμη κι όταν τα αρχικά δεδομένα είναι «κακής ποιότητας».
Το σύνολο των 30 δισεκατομμυρίων εικόνων από το Pokémon Go λειτουργεί ως βάση για τη δημιουργία ενός πραγματικού, συνεχούς και ακριβούς χάρτη, ικανού να υποστηρίξει εφαρμογές πραγματικού χρόνου. Οι σαρώσεις των παικτών δείχνουν στο μοντέλο πώς είναι η «ακριβής» πληροφορία και επιτρέπουν στο σύστημα να αναγνωρίζει ακόμη και πότε τα εισερχόμενα δεδομένα έχουν ατέλειες.
Η Niantic Spatial αναπτύσσει ένα Visual Positioning System (VPS) που αντιμετωπίζει ένα σημαντικό πρόβλημα στη βιομηχανία αυτόνομων παραδόσεων:
Το GPS λειτουργεί προβληματικά σε πυκνά αστικά περιβάλλοντα, επειδή τα ψηλά κτίρια εμποδίζουν τα δορυφορικά σήματα. Το VPS παρακάμπτει εντελώς το GPS συγκρίνοντας τις ζωντανές εικόνες της κάμερας του ρομπότ με την τεράστια βάση εικόνων της Niantic, ώστε να καθορίζει τη θέση σε πραγματικό χρόνο.
Σύμφωνα με εκπρόσωπο της Niantic Spatial, το σύστημα:
- λειτουργεί σε πραγματικό χρόνο,
- συγκρίνει εικόνες του ρομπότ με δημόσια και ιδιόκτητα σύνολα δεδομένων,
- προσδιορίζει την παγκόσμια θέση και κατεύθυνση του ρομπότ,
- είναι ιδιαίτερα ανθεκτικό σε «αστικά φαράγγια» όπου το GPS αποτυγχάνει.
Η Niantic Spatial αναφέρει ότι το αρχικό VPS βασίστηκε σε σαρώσεις που οι παίκτες επέλεγαν να υποβάλουν οικειοθελώς, δεν υπήρξε ποτέ αυτόματη συλλογή. Σήμερα, το μοντέλο μαθαίνει ολοένα και περισσότερο από δεδομένα που παράγουν οι επιχειρησιακοί πελάτες της εταιρείας.
Ο «μηχανισμός» πίσω από όλα αυτά είναι ένα μεγάλο γεωχωρικό μοντέλο (LGM), εκπαιδευμένο σε δισεκατομμύρια εικόνες με γνωστή θέση και σε εκατοντάδες εκατομμύρια σαρώσεις του πραγματικού κόσμου.
Το LGM υποστηρίζει τρεις βασικές δυνατότητες:
- Ανακατασκευή χώρων σε πλοηγήσιμα 3D μοντέλα
- Εντοπισμό συσκευών/μηχανών μέσα σε αυτούς τους χώρους
- Σημασιολογική κατανόηση του περιβάλλοντος
Ο CEO της Niantic, John Hanke, ανέφερε ότι τα τελευταία χρόνια η εταιρεία χτίζει ένα μεγάλο γεωχωρικό μοντέλο που λειτουργεί ως «ζωντανός, εξελισσόμενος χάρτης του κόσμου», φτιαγμένος για χρήση από ρομπότ και τεχνητή νοημοσύνη.
Ο CEO της Coco Robotics, Zach Rash, επισημαίνει ότι το βασικό πρόβλημα στις παραδόσεις μέσω ρομπότ αφορά τις ικανότητες κρίσης των μηχανών.
Με πληροφορίες από fortune.com
