摘要

本文探讨了在动态城市景观中维护准确、最新地图的重要性，这些地图支持城市规划、导航和应急响应等多个现代社会方面。传统（主要是手动）的地图制作和众包地图方法难以跟上建筑环境的快速变化。手动地图工作流程耗时且容易出错，导致地图过早过时或需要大量审计。OpenStreetMap（OSM）的当前地图更新过程就是一个例子，它依赖于在线地图更新工作流程中的许多手动步骤。为了解决这个问题，需要探索自动化整个端到端地图更新过程。科技巨头如Google和Microsoft已经开始研究机器学习（ML）技术来解决这个当代地图问题。本文分析了这些ML方法，特别是它们在更新OpenStreetMap中的应用。通过分析该领域的当前最先进技术，本研究确定了关键的研究差距，并介绍了DeepMapper作为一个实际解决方案，用于推进未来的自动在线地图更新过程。

原理

DeepMapper通过结合最新的卫星影像和现有的OSM数据，利用深度学习技术自动检测城市建筑环境的变化。该系统首先由用户手动在卫星或航空图像上数字化一个感兴趣区域（AoI）的多边形，然后将其转换为最小边界矩形（MBR）坐标。接着，栅格和矢量数据爬虫（一组互联网搜索程序）搜索网络和OSM数据存储库，以检索AoI边界内的最新地理空间数据集。获取的空间数据随后通过预训练的ML模型（OSM-GAN）进行处理，该模型专门训练了OSM和Google数据，以检测与当前OSM矢量地图相比，爬取的图像中新建或修改的建筑。识别出的变化随后被矢量化，并通过另一个ML模型（Poly-GAN）进行处理，该模型训练用于正则化建筑轮廓并将结果转换为所需的OSM变更集格式，然后上传到OSM数据库。

流程

DeepMapper的工作流程包括以下几个关键步骤：

1. 用户手动在卫星或航空图像上数字化一个感兴趣区域（AoI）的多边形。
2. 将AoI多边形转换为最小边界矩形（MBR）坐标。
3. 栅格和矢量数据爬虫搜索网络和OSM数据存储库，以检索AoI边界内的最新地理空间数据集。
4. 通过预训练的ML模型（OSM-GAN）处理获取的空间数据，以检测新建或修改的建筑。
5. 识别出的变化被矢量化，并通过另一个ML模型（Poly-GAN）进行处理，以正则化建筑轮廓。
6. 将结果转换为所需的OSM变更集格式，并上传到OSM数据库。

应用

DeepMapper的应用前景广泛，特别是在需要快速、准确更新地图的领域，如城市规划、应急响应和导航服务。通过自动化地图更新过程，DeepMapper可以显著提高地图的准确性和时效性，从而支持各种基于位置的服务和决策制定。此外，DeepMapper的开放源代码性质使其可以被广泛的研究社区采用和进一步开发，推动地理信息系统（GIS）和相关技术的创新。