Google Maps 101: Die Rolle künstlicher Intelligenz

Künstliche Intelligenz (KI) ist einer der entscheidenden Gründe dafür, dass Google Maps so nützlich ist. Wir können Straßen jetzt zehnmal schneller kartografieren als noch vor fünf Jahren und euch praktisch jeden Winkel der Welt und die dazugehörigen Informationen zeigen. Heute geben wir euch einen Überblick, welche Rolle künstliche Intelligenz bei zwei Funktionen spielt, die wir im Rahmen unserer diesjährigen I/O-Konferenz vorgestellt haben.

So bringen wir Maps bei, vorherzusehen, wann Fahrer abrupt bremsen

Das Zauberwort heißt künstliche Intelligenz. Wir trainieren unsere Modelle für maschinelles Lernen mit zwei unterschiedlichen Datensätzen. Der erste Datensatz besteht aus Informationen von Smartphones, auf denen Google Maps genutzt wird und die die Standortermittlung aktiviert haben. Die Sensoren in Smartphones können Bremsvorgänge beim Fahren registrieren und liefern so wertvolle Informationen. Allerdings könnten diese Daten unter Umständen falsch sein und nicht stimmen, wenn man bedenkt, dass ein Smartphone auch im stehenden Fahrzeug von der Besitzerin bzw. dem Besitzer genutzt wird. Wir können anhand dieser Daten also nicht unterscheiden, ob euch euer Smartphone im Fahrzeug heruntergefallen ist oder ob es durch einen Bremsvorgang in den Fußraum geschleudert wurde. Hier kommt der zweite Datensatz ins Spiel: Dazu nutzen wir Daten aus den Google Maps-Routen, wenn diese z. B. über Android Auto auf das Fahrzeugdisplay übertragen werden. Dieser Datensatz ist deutlich kleiner, aber dafür genauer, da die Erfassung an einem festen Platz im Fahrzeug erfolgt – auf dem Display des Autos. Da wir unser Modell mit beiden Datensätzen trainieren, können wir die Unterschiede zwischen beiden zuvor beschriebenen Situationen ausmachen und dadurch tatsächliche Bremsvorgänge bei allen Routen mit höherer Genauigkeit vorhersagen. 

Aber die Erkennung von Punkten auf Routen, an denen abrupte Bremsvorgänge häufig vorkommen, ist nur ein Faktor von vielen. In unseren Vorhersagen beziehen wir auch Umgebungsfaktoren wie Baumaßnahmen und eingeschränkte Sicht mit ein. Wenn also bei einer bestimmten Route zu einer bestimmten Tageszeit vermehrt abrupte Bremsvorgänge vorkommen – beispielsweise weil auf dieser Strecke die Sonne tief steht und blendet – , erkennt unser System das und kann alternative Routen vorschlagen. Diese Details fließen in zukünftige Streckenführungen ein, so dass wir sicherere und reibungslosere Routen vorschlagen können.
 

Künstliche Intelligenz – nicht nur beim Fahren mit dem Auto im Einsatz

Stellt euch vor, ihr lauft durch die Straßen von San Francisco. An einer Kreuzung seht ihr einen wie auch in Deutschland üblichen Zebrastreifen mit vertikalen Linien als Fußgängerüberweg. In London ist dieser Fußgängerüberweg allerdings durch gestrichelte parallele Linien gekennzeichnet. Damit diese Unterschiede auf unseren Karten korrekt wiedergegeben werden, müssen unsere Systeme wissen, wie Fußgängerüberwege aussehen – und das nicht nur in einer Stadt, sondern weltweit. Dass sich die städtebaulichen Gegebenheiten mitunter nicht nur je nach Land oder Bundesland, sondern sogar manchmal von Stadt zu Stadt unterscheiden, macht es nicht unbedingt einfacher.

Um das Angebot weltweit anbieten zu können und lokale Gegebenheiten miteinzubeziehen, mussten wir den Prozess zur Erstellung der Karten von Grund auf neu gestalten. In der Vergangenheit haben wir Karten nach dem Tortenprinzip erstellt – eine Schicht nach der anderen. Dabei haben wir unsere Modelle für maschinelles Lernen mit unseren Daten aus Millionen von Street View-, Satelliten- und Luftbildaufnahmen nach und nach zuerst für Straßen, dann für Adressen, Gebäude usw. trainiert.

Aber für detaillierte Straßenkarten brauchten wir noch mehr Details und viel genauere Informationen. Um diese Details korrekt erfassen zu können, haben wir unsere Modelle so aktualisiert, dass sie alle diese Objekte gleichzeitig erfassen können. Dafür braucht es extrem leistungsfähige KI-Technologie. Das Modell muss dabei nicht nur verstehen, um welche Objekte es sich handelt, sondern auch wie diese Objekte miteinander in Verbindung stehen – also beispielsweise wo die Straße aufhört und der Gehweg anfängt. Mithilfe dieser komplexen neuen Modelle können wir nun ohne Abstriche bei der Genauigkeit eine Vielzahl von Merkmalen gleichzeitig erfassen, sodass wir Städte jetzt schneller als je zuvor kartografieren können.

Sobald wir ein Modell für eine bestimmte Stadt trainiert haben, können wir es auf andere Städte mit ähnlichen städtebaulichen Gegebenheiten übertragen. Beispielsweise ähneln die Gehwege, Bordsteine und Ampeln in Atlanta denen in Ho-Chi-Minh-Stadt sehr, obwohl die Städte fast 15.000 km voneinander entfernt sind. Und auch für Madrid und Dallas können wir dasselbe Modell verwenden. Dank unserer innovativen Technologien für maschinelles Lernen und unseres umfassenden HD-Bildarsenals revolutionieren wir die Kartografie von Grund auf.

Künstliche Intelligenz wird dabei weiterhin eine entscheidende Rolle spielen. Weitere Informationen zu den Technologien hinter Google Maps findet ihr auch hier.