A Review of Recent Researches and Reflections on Geospatial Artificial Intelligence
-
摘要: 人工智能领域的技术进步给地理空间相关领域研究的智能化发展和融合创新带来了新机遇和新挑战。地理空间人工智能（geospatial artificial intelligence，GeoAI）是指地理空间科学与人工智能相结合的交叉学科研究方向，通过研究与开发机器的空间智能，提升对于地理现象和地球科学过程的动态感知、智能推理和知识发现能力，并寻求解决人类和地球环境系统相互作用中的重大科学和工程问题。简要回顾了GeoAI发展的历史渊源，介绍空间显式与隐式的人工智能模型，总结近期研究热点话题和应用方向（包括空间表征学习、时空预测和空间插值、对地资源环境监测、地图学、地理文本语义分析），思考并提出地理空间人工智能未来发展的几个重要挑战和研究方向。Abstract: The technological progress in the field of artificial intelligence (AI) has brought new opportunities and challenges to the intelligent development and innovative research in geospatial related fields. Geospatial artificial intelligence (GeoAI) refers to the interdisciplinary research direction that combines geography, earth science and artificial intelligence, and seeks to solve major scientific and engineering problems in human-environmental interaction systems through the research and development of spatial intelligence in machines to improve the dynamic perception, intelligent reasoning and knowledge discovery of geographic phenomena and earth science processes. This paper briefly summarizes the historical origins of GeoAI development, introduces spatially explicit and implicit AI models, reviews recent GeoAI research and applications(including spatial representation learning, spatiotemporal prediction and spatial interpolation, monitoring of geographic resources and environment, cartography, and geo-text data semantic analysis), and identifies several potential research challenges and directions for the future development of GeoAI.
-
近十年来,随着科学研究对大脑认知机理的不断发掘,很多工作试图将人类对环境的认知思维和学习能力“赋予”机器人,使其具备自主感知、思考、决策的能力[1-7]。机器地图作为一种全新地图范式,以机器人为使用主体,按照一定的数学法则,综合多维传感器环境感知特征,构建以环境要素及其相互关系描述为重点的客观世界模型,服务于机器人认知、学习、决策等一系列自主行为的规划与执行。国内针对机器人环境建模与功能性探索的研究起步较晚,20世纪90年代出现的以数字形式记录、存储的电子地图,让人们意识到位置、路径等信息的快速检索和应用给出行带来了极大的便利[8],随后导航电子地图的发展和相关标准的制定为无人汽车基于任务的应用打下了坚实基础[9]。高精地图脱胎于导航电子地图,作为国家推动智能汽车创新发展战略的重要组成部分,是现阶段L3级及以上无人驾驶必备的数据基础[10]。作为客观世界部分空间信息表达的载体,高精地图能够实现无人系统数据采集、数据一体运行表达、环境认知、轨迹规划、地图融合、矢量化表达、地图更新等功能,如图1所示。
目前,机器地图相关研究多侧重于提高地图模型的构建精度与效率,忽略了机器人任务执行的实时性与成功率。为有效叠加任务空间与地图空间,实现信息共通、共融、共享,机器地图测制用一体运行机制[11]深度耦合测图、制图、用图环节,以用图任务为驱动,将几何建模、场景解译、制图建模、任务评估和空间决策等功能集成在高度一体的框架中,通过各个模块的密切联动、相互合作,共同完成智能体对环境的感知、认知和决策过程。同时,任务驱动的机器地图能够基于“按需、动态”的智能化建图理念,让机器通过学习的方法重点关注实例要素的可度量性、空间关系的可描述性、环境模型的可解释性[12-14],将测制用一体运行机制置于循环过程中,通过学习几何、属性、拓扑、空间关系等要素扩展地图信息表达维度,形成有效信息回路。如图2所示,在前端完成感知信息从数字化到信息化再到知识化的转变,在后端嵌入任务模块,加强地理信息的获取更新、知识表达、空间推理、控制决策等集成应用。Apollo[15]作为百度公司推出的自动驾驶开放平台,已在自动驾驶、智能汽车、智能交通三大领域提出解决方案,包含定位、感知、规划、导航四大核心模块,具备海量数据的仿真引擎,可以在使用过程中实现高效的信息共享与反馈,目前已为超过百万的用户提供在线或离线服务。由美国国防高级研究计划局发起的地下挑战赛（subterranean challenge, SubT）[1],旨在促进机器人系统于没有先验信息的恶劣地下环境中自主可靠地探索,分享反馈多模态数据,构建地图模型,并对指定物体提供“救援”,涉及自主探索、目标探测、定位建图、规划导航、多机器人协同、任务界面设计等子功能模块。机器人协同技术联盟[2,16]（robotics collaborative technology alliances, RCTA）项目由美国陆军研究实验室主持,以度量地图和语义地图双向链接为基础,针对无人系统认知度量世界模型、语义感知、自适应行为生成、元认知和深度学习等基本任务,构建“想”“看”“说”“动”“工作”拟人化功能模块,实现环境信息的学习、整合、推理,形成自适应、多尺度、可推理的数字地图,高效主动地与作战人员实现交互[17-18]。
上述研究都为机器地图在世界模型、态势感知、信息交互、任务推理等方面提供了研究基础,通过人工智能、人机交互等关键技术的创新,有效促进了机器地图理论与应用体系的形成。本文基于任务驱动理念,结合机器地图相关概念和前景需求,主要围绕数据获取与处理、地图模型构建、任务应用3个方向总结阐述机器地图发展现状,为机器地图研究提供理论参考和技术支撑。
1 数据获取与处理
数据获取与处理在机器地图体系结构中发挥“基石”作用,是改善数据质量、增强数据适配性、提高数据和应用耦合度的有效手段。机器人
系统与客观环境实现交互获取数据,数据输入包括传感器数据和网络先验信息。传感器数据实时性强,不同数据类型之间形成有效互补；网络先验信息体量大、发散性强、语义丰富,能够与传感器数据交叉验证,缩小传感器盲区。两类数据通过前端数据处理共同形成机器地图高质量数据基础。
1.1 机器人平台
任务需求引领与设计理念更新是机器人硬件系统快速发展的重要成因。目前对于客观世界的探索,通常根据环境特点与任务需求,组合不同类型的机器人形成可靠的机器人团队[19-20],如图3所示。
SubT挑战赛中,针对陡坡、泥泞、碎石、楼梯等地形障碍,CTU-CRAS团队充分考虑越障能力、工作时长、探测范围等因素,组建了一个包含履带式机器人Absolem、轮式机器人Husky、六足机器人PhantomX Mark和多旋翼飞行器DJIF450的机器人团队,高效完成了机器人团队于恶劣地形条件下对未知环境的探索任务[1]。CoSTAR团队在使用轮式机器人Husky、履带式机器人Telemax Pro和四足机器人Spot的基础上,将四旋翼飞行器替换为可高速移动的遥控车,解决了多旋翼飞行器工作时长受限问题[21]。CERBERUS团队将四足机器人作为探索主体,配合小型耐碰撞飞行平台和大型多旋翼系统,为探索复杂环境提供必要的障碍翻越能力和续航能力[22]。相较于地下空间复杂的地形环境,地面道路体系与环境平整度、完备性较高,高精地图、RCTA项目的动态数据采集多依赖装备光探测和测距、相机、惯导等传感器的轮式车辆和无人机,配合卫星数据链的信息传输,形成对无人系统的有效控制[2,23],完成导航、自适应战术推理等任务[24]。
1.2 特征提取
当数据传入处理模块后,特征的有效提取尤为重要。围绕点云数据的特征提取,人工设计的方法有局部特征描述子、全局特征描述子和混合特征描述子,描述特征包括法向量、曲率、特征熵、发散性等[25-32]。虽然人工设计的特征描述子在特定环境中具有较强的针对性,但泛化性不强,而深度学习和强化学习在点云数据特征提取方面表现出巨大潜力,并具备一定的自主学习能力,以目标为导向最大化收益信号,能够高效地从浅层次数据信息中学习到深层次数据特征[33-36]。考虑到点云的无序性和非结构化,基于深度学习方法提取点云特征可以分为直接法与间接法。间接法主要通过投影、区域划分将点云表示为具有有序结构的图像、体素、拓扑图等数据类型,弱化其无序性,再利用基于有序数据的特征提取方法提取特征。文献[37]使用多视图卷积方法,将点云投影到不同视角下,对其视觉特征进行分组,通过特征之间的关联扩展特征信息的描述维度；文献[38]采用端到端框架,将点云数据体素化,使用三线性插值和全连接条件随机场将体素与点云的细粒度表示结合,增强特征提取的全局一致性；文献[39]根据点云数据密度,基于非平衡八叉树结构划分空间,在子节点内存储特征,根据分辨率变化调整节点数量,在减少计算内存的前提下,实现更深层次的网络特征提取。但间接法在点云选取、划分、重组过程中,存在信息丢失、数据结构保存不完整的缺陷,因此直接法提取点云特征,跳过数据类型变换和划分重组步骤,保留数据结构完整性,通过局部点之间的空间依赖关系表征点的高层次空间特征与几何变换；文献[40]结合PointSIFT提出一种离散单元采样模块分割算法,抑制周围噪声点冗余影响,提高了网络对于复杂结构点云的分割效果；文献[41]围绕大规模点云数据特征提取问题,使用均匀分割场景中获取的超点图组织特征关系,并对邻域点提供充分的目标上下文描述。文献[42]为模拟点与点之间的相对关系,提出PointWeb描述点特征,使用自适应特征调整模块实现局部特征学习,并构建局部完全链接网络,形成特征聚合与提取。虽然直接法相对间接法在效率和精度上有了较大进步,但也在一定程度上忽略了点云邻域之间的相互作用,邻域之间的细节保留较少。
不同于点云数据,图像像素排列的有序性和规则化易于深度学习方法直接提取特征。卷积神经网络以卷积核滑动方式加权组合相邻感受野信息,配合池化层与全连接层输出最终特征向量[43]。考虑到图像特征提取任务的差异性,不同的卷积方式能够有效提高图像特征的提取质量。空洞卷积[44]通过在卷积核内注入空洞,扩大感受野,使卷积输出包含更大范围的特征信息,解决因图像分辨率低或特征丢失导致的问题；可变性卷积[45]相较于空洞卷积具有更强的调整能力,通过在卷积核每个元素上添加方向参数获得变形偏移量,实现尺度和感受野的自适应,提高特征提取与应用需求的适配性；非局部卷积[46]通过嵌入式高斯函数、点积等形式构造卷积结构,将位置的响应表示作为位置的特征进行加权平均,主要用于处理远距离像素间的相互关系,增强提取特征在空间上的关联性。这些更加精细化的卷积方式能够在最大限度保证局部连接性和权值共享性的基础上处理图像,以适配不同的特征提取需求。同时,网络结构轻量化也是特征提取模块在机器人平台部署的关键因素,AlexNet[47]、GoogleNet[48]、ResNet[49]、UNet[50]、EspNet[51]等都在减少网络参数、提高计算效率方面作出贡献,一定程度上解决了由于网络复杂导致的部署难、训练难、过拟合等问题。
1.3 语义分割
点云作为机器地图的主要表现形式,具备可度量、易表征、具象化的优点。相较于图像,点云采集不受光照、位姿影响,空间信息更丰富；相较于体素,点云空间利用率更高,不会因过度表示物体内部空间产生冗余[52]。随着几何特征局限性的不断凸显,机器地图深层次语义特征往往更能代表局部点云的整体特性,因此语义分割在机器地图数据处理过程中占据重要地位[53-54]。语义分割本质上是给每一个点分类并打上标签,根据特征相似性将点聚类,如图4所示。现阶段语义分割主要分为基于投影的方法和基于点的方法,基于投影的方法包括多视图表示、球面表示、体素表示、栅格表示、柱面表示、混合表示,基于点的方法包括邻域特征池化、不规则点云卷积、循环神经网络建模、图网络[36]。
PointNet[55]最先使用深度学习对点云进行语义分割,该方法基于点云置换不变性和旋转不变性,使用多层感知机提取每个点特征,通过最大池化聚合全局特征,实现点的类别预测。后续PointNet++[56]借鉴多层感受野思想,使用内积不断扩充感受野,叠加不同分辨率下提取的局部特征,解决了特征丢失的问题。点云近密远疏是由于LiDAR工作机制无法避免的问题,针对点云在空间中的不均匀分布,PolarNet[57]从点云的网格划分入手,以自上而下的角度用球形网格划分点云,设计环卷积组成特征学习模块,输出点的量化预测。Cylinder3D[58]改进了网格划分思想,设计圆柱坐标划分和非对称卷积网络,提高了网格划分的非空网格比例,有效提升了语义分割精度。围绕大规模场景,RandLA-Net[59]基于海量点云数据,采用随机下采样方法提高逐点计算效率,配合局部特征聚合模块,通过编码解码结构组建网络。BLNet[60]在RandLA-Net基础上,利用特征差和相对位置差,基于注意力机制学习聚合特征,增强了语义分割在大规模场景应用中的稳健性。还有方法创新性地引入视觉注意力机
制、形状上下文等方法对点云进行语义分割,形成对周边环境的定性描述,也大大增强了机器地图对空间的认知解释能力[61]。
1.4 多传感器融合
基于同时定位与地图构建（simultaneous localization and mapping, SLAM）框架实现的多传感器融合是处理多模态数据的常用技术手段。多传感器信息的有效融合不仅能够扩展环境感知的数据维度,还能够增强数据的准确性和可靠性。统一的时空基准是多传感器信息描述环境的必要前提,文献[62]在统一坐标系和观测物体的基础上,使用不同传感器局部坐标系换算保证了数据在空间上的一致性；文献[63]使用时间戳标记处理异构数据,基于样条函数拟合不同时刻下的数据,实现时间基准的统一。此外,针对传感器工作频率不一致问题,文献[64]采用预积分方法共同优化机器人状态量和图像关键帧位姿,保持传感器数据采集频率的一致性。但无论是主动还是被动传感器,都无法避免因外界环境因素干扰产生的数据噪声。早期对于噪声的处理多以卡尔曼滤波[65]为主,逐渐发展为扩展卡尔曼滤波[66]、多状态约束卡尔曼滤波[67]等方法。文献[68]对传统卡尔曼滤波和因子图优化方法进行改进,采取流水线多层次的处理策略融合数据,屏蔽失效传感器的数据传入,以此减少数据产生的噪声。文献[69]将基于特征法的关键帧与惯性传感器数据紧耦合,通过构建重投影误差函数优化视觉-惯性里程计数据,提高数据的可靠性。同时也有一些研究以弱监督或无监督的方式实现端到端的多传感器融合,该方式可以在未知传感器参数的情况下执行SLAM后端操作,实现信息融合,增强系统鲁棒性[70-73]。目前,随着机器学习、概率模型、视觉处理等技术以及传感器硬件的快速发展,嵌入式处理器功耗不断降低,并行计算能力不断加强,基于SLAM的多传感器融合技术将在机器人平台遂行任务过程中发挥越来越重要的作用。
2 地图模型构建
地图模型构建是机器地图测制用一体运行机制的核心环节,在机器人运行回路中起到承上启下的作用。对于机器地图,高精度的几何观测和多维特征感知是建图的必要前提,复杂任务的适配性和多特征联合要素解译需求也对地图模型架构提出更高要求,因此,层次化、弹性、可靠的地图模型构建需要综合考量以上因素。
2.1 地图模型
机器地图需要满足准确性、完整性、可验证性、可扩展性的需求,高效的地图模型应能准确地表征客观环境,结合多尺度、多层次结构,实现数据标定、存储、索引、可视化等功能。目前国内外研究对于机器地图模型的标准尚未统一,本文通过借鉴研究具有类似功能的地图模型形成相关总结认识。
Lanelets[74]作为一种应用于自动驾驶的轻量级地图模型,包含地图最小单元lanelet、规则元素、驾驶通道3个模块,最初奔驰公司将其作为路径规划系统为无人车辆提供服务。局部动态地图[75]引入数据库集成管理传感器信息,根据数据特点形成分层地图模型：第一层底层数据主要由道路数据构成,第二层相对静态数据包含一些地图信息中不包含的信号,第三层相对动态数据包含交通拥堵状况等信息,第四层顶层数据由实时传感器数据组成。Lanelet2[76]具备独立车道概念,更加注重实际应用,并在Lanelets基础上将地图模型划分为物理层、关联层、拓扑层,形成要素的体系化表达,能够实现复杂环境下车辆的控制规划。文献[77]认为不同的导航任务对于地图精度的需求是不同的,提出了一个7层地图模型,包含道路层、交通信息层、路巷连接层、Lane图层、映射特征层、动态对象容积层、智能决策支持层,每一图层都包含不同的数据类型,不同图层之间可以相互独立调用或适配任务需求联合索引,共同支持各种导航任务类型。文献[78]认为智能高精地图的核心在于自适应场景变换和任务需求,通过评估反馈不断优化地图模型,因此地图模型数据逻辑结构中应包含丰富准确的语义信息及驾驶经验信息,并依此将模型结构划分为4层：静态地图层、实时数据层、动态数据层、用户模型层。
2.2 建图系统
SLAM框架经过古典时期、算法分析时期、鲁棒感知时期的不断发展[79],智能化程度越来越高,学习能力越来越强,目前已经成为机器地图建图系统的有力支撑。但在当前SLAM技术的发展中,对于地图的研究仅限于作为实现SLAM算法的中间过程,没有向“用图”方向延伸,地图内容简单、表达形式简略、质量有待提高,并且缺少对于机器地图形式与建图系统的深入研究,更多的是作为一种技术手段服务于机器地图的数据处理与模型构建,在建图系统中发挥类似“测图”的作用。
早期的建图系统多采用马尔可夫随机法、条件随机场、随机决策森林等方法,方便数据在地图上标记使用,但这些方法因为离线或精度问题并不能部署在机器人平台上实时处理数据[80-82]。任务驱动的建图系统对于客观环境的表征有多种形式,如图5所示,大多地图模型采用分层次多图层结构,以度量地图和拓扑地图为底层,叠加高精度可解释的语义层,配合规则库以及实体与规则库交互的关联层,共同组成机器地图的整体架构。
围绕建图系统部署和计算资源问题,轻量化的SEMANTIC-RTAB-MAP算法[83]采用RTABMAP[84]和YOLO[85]作为基础架构,通过目标检测估算实例位置,以非深度学习的方法完成建图。叠加多种图层能够充分表征环境特点,特别是在未知或有遮挡的环境中,为获得更高的环境表征效率,可以通过语义信息预测环境,根据环境特点判断拓扑地图的连通性,再对度量地图中的物体位置进行推理[86-87]。针对环境中的不确定性,仅凭预测和推理不具备较高的置信度,需要结合相应的概率计算和表示。多保真度弹性建图系统NeBula原型由美国宇航局喷气推进实验室为探索月球、火星和其他行星体上的极端表面和地下地形而设计,能够在不确定的环境中预测和评估各类结果和风险,协调建图模块可靠地探索未知地形[88]。为应对SubT地下恶劣环境设计的“网络化自主信念感知系统”基于NeBula作出改进,将建图的前端模块组合成端到端系统,结合感知定位与映射、弹性状态估计、全局感知规划,创建机器地图的概率表示,计算风险,以最小代价完成地图构建[21]（见图6）。RCTA[2]项目中,机器人以观测对象之间的空间关系作为约束,对于无遮挡的环境直接栅格化处理,得到高置信度的代价地图；对于有遮挡的环境通过概率预测的方式完成几何空间推理,根据上下文关系实现满足机动约束的代价地图构建。
传统的地图模型构建更新维护过程无法适应不断变化的环境信息,并且需要消耗大量的资源和人力,导致其扩展性和实时性无法满足任务需求。文献[89]基于传感器信息的多样性和实时性,提出一种在线地图构建系统,包含透视图像编码器、神经视图变换器、点云编码器和地图元素解码器4个模块,通过地图元素的矢量化和语义化,完成语义分割、实例分割、道路预测等功能。为实现端到端的地图构建,减少人工参与,文献[90]提出了一种层次化建图网络,直接编码矢量化场景信息,以图网络表示对象之间交互关系,基于节点特征预测缺失信息,以此构建高精度的环境地图。综上,任务驱动的建图系统针对不确定性需要较多的计算资源,并且要对环境反馈数据进行实时处理,多形式表征的地图模型也是任务过程中机器人与环境交互的需要,减少人工参与的端到端建图系统是当前的重要发展方向。
3 任务应用
任务应用是机器地图功能性的集中体现,也是机器地图系统保障机器人动作执行的最终端。本文在梳理有关机器人任务应用相关文献的基础上,结合对任务应用关键词的查询,同时参考RCTA项目对无人平台保障系统的服务愿景,发现：在复杂的客观世界中,使用机器地图保障任务执行时,安全、可靠和适应性的移动是机器人首先需要解决的问题,也是规划开展任务应用的基础；在机器人与物理世界的交互过程中,目标检测为交互过程提供潜在的对象实体,减少目标搜索中的计算资源消耗,提高终端任务执行效率；实时融合和更新的地图模型记录了丰富的空间知识,包含空间关系、语义关系、空间格局等,基于机器地图模型的知识表达与推理是机器人自主学习、积累、智能化的有效方法,也是一个渐进、迭代的交互过程,更是机器人形成拟人化认知经验与规则的底层驱动。因此,本文对路径规划、目标检测、知识表达与推理等3个机器地图代表性任务应用现状进行归纳总结。
3.1 路径规划
基于任务驱动的路径规划,需要正确、全面、高效地理解识别目标点,选择合适、安全、代价最短的路径,引导控制机器人执行运动指令,导航至目标点。传统方法通过A*算法[91]、蚁群算法[92]、Dijkstra算法[93]等,寻找起始点与目标点之间的最短路径。任务驱动的路径规划需要考虑更多因素,高精地图[78]重视路径规划中地图与人的交互,将道路语义和用户语义考虑其中,引入用户经验数据集平滑优化轨迹,直至生成满足用户需求的无碰撞可执行轨迹。为应对人机交互的扩展,机器人不再局限于已知目标点的路径规划,文献[2]尝试将以确定坐标表示的目标点替换为以环境中地物空间关系表示的目标点,例如“去到这栋楼的东南角”,以机器人感知到的世界模型变化作为基于任务的上下文推理器的触发条件,通过语义理解的方式完成空间几何推理,实现路径规划,如图7所示。围绕任务过程中目标点被遮挡的问题,文献[18]基于思维-理性自适应认知结构,提出了一种能够假设和预测环境不可见部分的方法,通过对先验知识进行启发性编码,再与声明性内存中的几何模式匹配,将检索匹配完成的部分投影回世界模型,作为可靠的目标点提供给路径规划系统。
尽管基于绝对或相对描述的路径规划已经有了长足进步,但针对缺乏先验知识的机器人自主路径规划还有许多待解决的难题。文献[21]构建了一种异构弹性位姿估计模块,为缺乏先验
知识的机器人提供高置信度的定位服务功能。基于准确的定位和建图,高层任务规划器会在中层规划目标中寻找规划目标点,根据高分辨率代价地图进行优先级排序,获得底层目标的导向路径,最终通过测量生成规划路径。文献[94]对未知环境路径规划中的可通过性问题进行分析研究,将三维点云图转换为高程图,同时辅以相机的彩色与深度信息,通过A*算法与引导随机行进算法在高程图上进行路径规划,帮助机器人系统有效地避开规划路径中的障碍物,该方法对于多机器人团队具有一定的普适性。综上,路径规划是机器人的基础应用,也是各种高层次任务的应用前提,当前工作的发展方向主要集中在如何将语义知识和空间关系引入路径规划,强调基于非实时感知信息实现定位定姿,引导路径规划走向更高层次的应用研究。
3.2 目标检测
目标检测从图像中发现感兴趣的物体,并对物体类别进行判定,为机器地图与客观环境交互提供了实体对象,其成功率和精确率是机器地图实例应用的重要基础。随着深度学习网络发展的轻量化和并行计算能力的提升,基于深度学习的目标检测方法在机器地图应用中扮演着越来越重要的角色。有无生成目标候选框是分类目标检测算法的重要依据,有目标候选框生成的双阶段目标检测算法开始使用区域卷积神经网络（region-convolutional neural networks,R-CNN）[95]作为基础网络,通过支持向量机分类器实现分类,后期的尺度金字塔池化网络[96]和更快R-CNN网络[97]分别对描述尺度和检测速度进行优化,计算效率大幅提升；无目标候选框的单阶段目标检测算法省略了候选框提取过程,使用批量归一化、多尺度训练、融合预测等方法,在保持计算效率的同时提高物体检测的准确率和定位精度。但是大多数目标检测算法是在有先验信息的情况下事先训练模型,利用环境验证,没有考虑到任务场景缺乏先验信息的情况,因此基于复杂场景的无监督学习方法可以采用生成式对抗网络[98]生成模型、判别模型,在博弈过程中产生最佳输出。
此外,目标检测也需要考虑地下、隧道、战场等复杂恶劣环境,其导致的不确定性会引发多目标检测问题,这种情况下神经网络对于数据良好的泛化能力将发挥重要作用。一些方法尝试从训练方式和网络角度优化目标检测算法,文献[99]提出的基于迁移学习的自适应多类识别方法能够实时微调检测数据,保证检测类别的精确度,同时借鉴混合模型训练策略,在残差网络的帮助下实现特征的跳跃连接,解码预测结果,并对概率框进行得分排序,减少目标检测算法的误判。在很多任务中,目标检测并不是最终目的,精确识别目标并对其定位对于灾害救援等任务更具有实际意义,如图8所示。文献[100]在检测到目标边界框后,将边界框投影到实际点云图中,通过时间一致性检测,应用卡尔曼滤波确定被检测对象的最终位置。文献[101]提出了一种由显著性注意力模型支撑的目标识别算法,结合了四周-中心凹视觉方法,能够在地图上标记目标对象的位置。文献[102]提出了基于对象的空间分层概率表示法,采用基于尺度不变特征变换的目标识别系统,使用立体摄像机捕捉目标并在度量地图上表示其坐标。目标检测与目标定位相辅相成,深度学习方法对于目标定位具有更好的鲁棒性,减少人为设定参数,因此具有更强的泛化性能。
3.3 知识表达与推理
知识表达是机器人用解决任务的形式表达世界模型的信息,机器人如何对任务中学习到的知识差异性和不确定性进行表达是一项很重要的研究。本体模型作为集成知识的框架,可以将低层次信息与高层次信息有效结合,形成知识描述和知识关联[103],通过Jess引擎实现知识推理,大幅提高知识检索、存储、共享的效率[104]。在构建本体模型的过程中,需要将本体模型分解成“类”“对象属性”“数据属性”“实例”等定义,建立关联关系,实现环境的语义化描述,服务于后续
的知识推理[105]。
高效的信息查询与检索是知识表达和推理的前提,机器地图中的大部分信息都包含在度量地图、拓扑地图、语义地图等不同的地图模型中,机器人在任务过程中可以通过信息查询与检索实现知识挖掘和任务推理,突破传感器的感知范围限制。实际研究中发现,知识表达与推理往往与机器地图中的语义部分交织紧密。KnowRob[106]是一个基于网络本体语言和逻辑编程语言Prolog的推理系统,可以部署在机器人的任务框架中,通过从传感器中获取信息形成语义进行推理,用以指导机器人的行动。文献[107]将公共数据库中检索到的物品使用方法组织在一个本体模型中,为机器人提供物品使用的语义信息,增强地图的功能性。文献[108]将机器人通过自然语言命令解析到的语义信息转化为二元特征,形成一种逻辑化的表达形式。文献[109]提出了一个基于时态流的知识推理框架,通过时态逻辑实现增量推理,并对其泛化性进行研究,可在多个机器人系统上实现推理应用。文献[110]结合图像局部和全局特征,从语义知识的角度推理所处环境的类型。文献[111]有效利用视觉信息,结合层次时间网络与注意力模型,可以从语义上推理机器人的空间位置。此外,还有方法从概率几何模型、语义分割、训练分类器等角度对从地图中学习到的知识进行表达和推理,对环境信息进行抽象化的提取与应用,更好地保障基于机器地图的任务规划[112-114]。
4 结 语
本文围绕数据获取与处理、地图模型构建、任务应用3个主要方向,阐述总结相关文献的研究现状、关键技术和存在问题。数据获取与处理是地图模型构建和任务应用的基础支撑,针对机器人平台、特征提取、语义分割、多传感器融合4个方面,基于现阶段研究工作和项目成果,结合深度学习等关键技术进行整体性归纳。地图模型构建整合尺度地图、拓扑地图和语义地图优势,围绕机器人平台作为用图主体的特殊性与局限性,借鉴参考高精地图相关数据模型,分析思考机器地图表达特点和整体架构,并对现有建图系统发展现状和存在问题进行归纳。任务应用从“按需”角度,阐述了路径规划、目标检测、知识表达与推理三类基础性应用的现状和关键技术,分析其中典型案例,为具体技术在任务实践中落地提供理论研究基础。
综上所述,机器地图是顺应技术发展与应用需求的前瞻性探索,但现如今仍属于发展的初始阶段。关于机器地图基础理论、运行机制、数据模型、表征形式至今还没有形成业界统一认识,本文描述的一些技术方法在机器地图相关项目中已得到应用,但在机器地图大框架下的实际效果还有待验证。此外,目前针对无人平台的数据获取和处理方法较为成熟,并形成了相应体系,地图模型构建和任务应用方向上欠缺较多,特别是针对多模态数据的组织形式、语义特征的关联使用、地图模型和任务应用的耦合、机器地图的自学习能力等方面还有很大的发展空间,已有的研究成果与机器地图需求之间存在不少差距。结合现有的研究基础,针对机器地图未来的发展方向和前景,还有以下几点认识：
1）语义信息的优化。现阶段针对大规模点云的语义分割算法获取的语义信息较为孤立,关联性和泛化性不强,一定程度上限制了同一场景语义信息在不同应用中的交互。未来工作应注重语义信息的数据关联、联合估计、空间推理,聚焦语义信息的空间范围和时序性,合理地充分利用语义信息为任务应用提供服务保障。
2）机器地图评估方法。机器地图是一个复杂的系统,如何评估地图信息准确性、地图构建效果、功能模块实用性、任务模块关联度都是机器地图评估方法中应该着重考虑的问题。现有评估指标主要集中在绝对轨迹误差、相对位姿误差、均交并比、总体精度等,缺乏与任务结合的系统性评估体系。
3）弱监督或无监督条件下的任务应用。一些任务场景机器人缺乏先验信息,或在通信受限条件下信息不能有效传输。基于此,如何摆脱模型训练对环境数据的依赖,在无过拟合的前提下,正确地选择嵌入函数,使用自适应机制调解网络参数,提升建图系统的实际性能和计算模型的泛化性是现阶段亟待解决的问题。
4）数据组织与更新。机器地图对于获取到的环境信息,大多采用编码、属性描述等方式,以各种实例组织数据,表达知识。未来,复杂多维的环境信息和动态多变的组织规则需要机器地图加强对对象、位置和属性关系的识别推理,基于规范化组织的空间结构,保持实例空间属性随时间变化的有效更新,这种时序性的变化学习目前为止还没有一个完整的技术体系支撑,因此也是机器地图未来的主要研究方向。
可以预见,未来机器地图将在机器人面对复杂环境的空间描述与认知方学习方面发挥重要作用,为无人作战、服务保障、智慧城市等领域的关键技术研究提供积极支撑,具有广阔前景。
-
[1] Buchanan B G. A (Very) Brief History of Artificial Intelligence[J].AI Mag, 2005, 26(4): 53-60
[2] Smith T R. Artificial Intelligence and Its Applicability to Geographical Problem Solving[J]. Prof Geogr, 1984, 36(2):147-158 doi: 10.1111/j.0033-0124.1984.00147.x
[3] Couclelis H. Artificial Intelligence in Geography: Conjectures on the Shape of Things to Come[J]. Prof Geogr, 1986, 38(1):1-11 doi: 10.1111/j.0033-0124.1986.00001.x
[4] Openshaw S. Artificial Intelligence in Geography[M]. Chichester, UK: John Wiley & Sons Inc, 1997
[5] Hinton G E, Salakhutdinov R R.Reducing the Dimensionality of Data with Neural Networks[J].Science, 2006, 313(5 786):504-507
[6] Lecun Y, Bengio Y, Hinton G. Deep Learning[J]. Nature, 2015, 521(7 553): 436-444
[7] Janowicz K, Gao S, McKenzie G, et al. GeoAI: Spatially Explicit Artificial Intelligence Techniques for Geographic Knowledge Discovery and Beyond[J]. Int J Geogr Inf Sci, 2020, 34(4): 625-636
[8] Reichstein M, Camps-Valls G, Stevens B, et al. Deep Learning and Process Understanding for Data-Driven Earth System Science[J]. Nature, 2019, 566(7 743): 195-204 http://www.nature.com/articles/s41586-019-0912-1
[9] Mao H, Hu Y, Kar B, et al. GeoAI 2017 Workshop Report: The 1st ACM SIGSPATIAL International Workshop on GeoAI[R]. Redondo Beach, CA, USA, 2016
[10] Hu Y, Gao S, Newsam S D, et al. GeoAI 2018 Workshop Report: The 2nd ACM SIGSPATIAL International Workshop on GeoAI[R]. WA, USA, 2018
[11] Gao S.AI for Geographic Knowledge Discovery[R]. GeoAI 2019 Workshop Report: The 3nd ACM SIGSPATIAL International Workshop on GeoAI, WA, USA, 2019
[12] Hu Y, Gao S, Lunga D, et al. GeoAI at ACM SIGSPATIAL: Progress, Challenges, and Future Directions[J]. SIGSPATIAL Spec, 2019, 11(2):5-15 doi: 10.1145/3377000.3377002
[13] Wachowicz M, Gao S. Machine Learning Approaches[M/OL]//Wilson J. Geogr Inf Sci(Technol Body Knowl 2nd Quart. https://gistbok.ucgis.org/bok-topics/machine-learning-approaches, 2020
[14] Goodchild M F.Issues in Spatially Explicit Modeling[C]. LUCC Report and Review of an International Workshop, Irvine, California, USA, 2011
[15] Yan B, Janowicz K, Mai G, et al. A Spatially Explicit Reinforcement Learning Model for Geographic Knowledge Graph Summarization[J]. Trans GIS, 2019, 23(3): 620-640
[16] Yan B, Janowicz K, Mai G, et al. Xnet+sc: Classifying Places Based on Images by Incorporating Spatial Contexts[C]. 10th International Conference on Geographic Information Science (GIScience 2018), Melbourne, Australia, 2018
[17] Zammit-Mangion A, Ng T L G, Vu Q, et al. Deep Compositional Spatial Models[OL]. https://arxiv.org/abs/1906.02840, 2019
[18] Klemmer K, Koshiyama A, Flennerhag S. Augmenting Correlation Structures in Spatial Data Using Deep Generative Models[OL]. https://arxiv.org/abs/1905.09796, 2019
[19] Rao J, Gao S, Kang Y, et al. LSTM-TrajGAN: A Deep Learning Approach to Trajectory Privacy Protection[C].Leibniz International Proceedings in Informatics, Poznań, Poland, 2020
[20] Courville B A, Vincent P.Representation Learning: A Review and New Perspectives[J]. IEEE Trans Pattern Anal Mach Intell, 2013, 35(8): 1 798-1 828
[21] Yan B, Mai G, Janowicz K, et al. From ITDL to Place2Vec—Reasoning About Place Type Similarity and Relatedness by Learning Embeddings from Augmented Spatial Contexts[J]. GIS Proc ACM Int Symp Adv Geogr Inf Syst, 2017, 11:1-10
[22] Yao Y, Li X, Liu X P, et al. Sensing Spatial Distribution of Urban Land Use by Integrating Points-of-Interest and Google Word2Vec Model[J]. Int J Geogr Inf Sci, 2017, 31(4): 825-848 doi: 10.1080/13658816.2016.1244608
[23] Liu K, Gao S, Qiu P, et al. Road2Vec: Measuring Traffic Interactions in Urban Road System from Massive Travel Routes[J]. ISPRS Int J Geo-Information, 2017, 6(11):321 http://adsabs.harvard.edu/abs/2017IJGI....6..321L
[24] Crivellari A, Beinat E. From Motion Activity to Geo-Embeddings: Generating and Exploring Vector Representations of Locations, Traces and Visitors through Large-Scale Mobility Data[J]. ISPRS Int J Geo-Information, 2019, 8(3):134 http://www.mdpi.com/2220-9964/8/3/134
[25] Jean N, Wang S, Samar A, et al.Tile2Vec: Unsupervised Representation Learning for Spatially Distributed Data[C]. The AAAI Conference on Artificial Intelligence, Hawaii, USA, 2019
[26] Mai G, Janowicz K, Yan B, et al. Multi-Scale Representation Learning for Spatial Feature Distributions Using Grid Cells[C]. International Conference on Learning Representations, Addis Ababa, Ethiopia, 2019
[27] Zhu A, Lu G, Liu J, et al. Spatial Prediction Based on Third Law of Geography[J]. Ann GIS, 2018, 24(4): 225-240
[28] Lam N S N. Spatial Interpolation Methods: A Review[J]. Am Cartogr, 1983, 10(2):129-150
[29] 龚健雅.人工智能时代测绘遥感技术的发展机遇与挑战[J].武汉大学学报·信息科学版, 2018, 43(12): 1 788-1 796 doi: 10.13203/j.whugis20180082 Gong Jianya. Chances and Challenges for Development of Surveying and Remote Sensing in the Age of Artificial Intelligence[J].Geomatics and Information Science of Wuhan University, 2018, 43(12): 1 788-1 796 doi: 10.13203/j.whugis20180082
[30] Liu Y, Liu X, Gao S, et al. Social Sensing: A New Approach to Understanding Our Socioeconomic Environments[J]. Ann Assoc Am Geogr, 2015, 105(3): 512-530 doi: 10.1080/00045608.2015.1018773
[31] 刘瑜.社会感知视角下的若干人文地理学基本问题再思考[J].地理学报, 2020, 71(4): 564-575 http://www.cnki.com.cn/Article/CJFDTotal-dlxb201604004.htm Liu Yu.Revisiting Several Basic Geographical Concepts: A Social Sensing Perspective[J]. Acta Geographica Sinica, 2020, 71(4): 564-575 http://www.cnki.com.cn/Article/CJFDTotal-dlxb201604004.htm
[32] Veres M, Moussa M. Deep Learning for Intelligent Transportation Systems: A Survey of Emerging Trends[J]. IEEE Trans Intell Transp Syst, 2020, 21(8):3 152-3 168 http://ieeexplore.ieee.org/document/8771378
[33] Zhu D, Cheng X, Zhang F, et al. Spatial Interpolation Using Conditional Generative Adversarial Neural Networks[J]. Int J Geogr Inf Sci, 2020, 34(4): 735-758
[34] Li M, Lu F, Zhang H, et al. Predicting Future Locations of Moving Objects with Deep Fuzzy-LSTM Networks[J]. Transp A Transp Sci, 2020, 16(1):119-136
[35] Bao Y, Huang Z, Li L, et al. A BiLSTM-CNN Model for Predicting Users' Next Locations Based on Geotagged Social Media[J]. Int J Geogr Inf Sci, 2020, DOI: 10.1080/13658816.2020.1808896
[36] Liang Y, Gao S, Cai Y, et al.Calibrating the Dynamic Huff Model for Business Analysis Using Location Big Data[J]. Trans GIS, 2020, 24(3): 681-703
[37] Xing X, Huang Z, Cheng X M, et al. Mapping Human Activity Volumes Through Remote Sensing Imagery[J]. IEEE J Sel Top Appl Earth Obs Remote Sens, 2020, 13: 5 652-5 668
[38] Pourebrahim N, Sultana S, Thill J-C, et al. Enhancing Trip Distribution Prediction with Twitter Data: Comparison of Neural Network and Gravity Models[C]. The 2nd ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery, Seattle, WA, USA, 2018
[39] Yao X, Gao Y, Zhu D, et al. Spatial Origin-Destination Flow Imputation Using Graph Convolutional Networks[J]. IEEE Trans Intell Transp Syst, 2020(99): 1–11
[40] Murphy J, Pao Y, Haque A. Image-Based Classification of GPS Noise Level Using Convolutional Neural Networks for Accurate Distance Estimation[C]. The 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery, Redondo Beach, CA, USA, 2017
[41] Zhang F, Wu L, Zhu D, et al. Social Sensing from Street-Level Imagery: A Case Study in Learning Spatio-Temporal Urban Mobility Patterns[J]. ISPRS J Photogramm Remote Sens, 2019, 153: 48-58
[42] Zhang Y, Cheng T. Graph Deep Learning Model for Network-Based Predictive Hotspot Mapping of Sparse Spatio-Temporal Events[J]. Comput Environ Urban Syst, 2020, 79: 101 403
[43] Ren Y, Cheng T, Zhang Y. Deep Spatio-Temporal Residual Neural Networks for Road-Network-Based Data Modeling[J]. Int J Geogr Inf Sci, 2019, 33(9): 1 894-1 912
[44] Zhao L, Song Y J, Zhang Z, et al. T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction[J]. IEEE Trans Intell Transp Syst, 2020, 21(9): 3 848-3 858
[45] 刘瑜, 詹朝晖, 朱递, 等[J].集成多源地理大数据感知城市空间分异格局[J].武汉大学学报·信息科学版, 2018, 43(3): 327-335 doi: 10.13203/j.whugis20170383 Liu Yu, Zhan Zhaohui, Zhu Di, et al. Incorporating Multi-source Big Geo-Data to Sense Spatial Heterogeneity Patterns in an Urban Space[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 327-335 doi: 10.13203/j.whugis20170383
[46] Zhang F, Zu J Y, Hu M Y, et al. Uncovering Inconspicuous Places Using Social Media Check-Ins and Street View Images[J]. Comput Environ Urban Syst, 2020, 81: 101 478
[47] Helbich M, Yao Y, Liu Y, et al. Using Deep Learning to Examine Street View Green and Blue Spaces and Their Associations with Geriatric Depression in Beijing, China[J]. Environ Int, 2019, 126: 107-117
[48] Cao R, Tu W, Yang C X, et al. Deep Learning-Based Remote and Social Sensing Data Fusion for Urban Region Function Recognition[J]. ISPRS J Photogramm Remote Sens, 2020, 163: 82-97 http://www.researchgate.net/publication/339866935_Deep_learning-based_remote_and_social_sensing_data_fusion_for_urban_region_function_recognition
[49] Ye C, Zhang F, Mu L, et al.Urban Function Recognition by Integrating Social Media and Street-Level Imagery[J]. Environ Plan B Urban Anal City Sci, 2020, DOI: 10.1177/2399808320935467
[50] Law S, Seresinhe C I, Shen Y, et al.Street-Frontage-Net: Urban Image Classification Using Deep Convolutional Neural Networks[J]. Int J Geogr Inf Sci, 2020, 34(4): 681-707 doi: 10.1080/13658816.2018.1555832
[51] 李德仁, 王密, 沈欣, 等.从对地观测卫星到对地观测脑[J].武汉大学学报·信息科学版, 2017, 42(2): 143-149 doi: 10.13203/j.whugis20160526 Li Deren, Wang Mi, Shen Xin, et al. From Earth Observation Satellite to Earth Observation Brain[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 143-149 doi: 10.13203/j.whugis20160526
[52] Scott G J, England M R, Starms W A, et al. Training Deep Convolutional Neural Networks for Land-Cover Classification of High-resolution Imagery[J]. IEEE Geosci Remote Sens Lett, 2017, 14(4): 549-553 http://www.onacademic.com/detail/journal_1000039827206610_63c2.html
[53] Huang B, Zhao B, Song Y. Urban Land-Use Mapping Using a Deep Convolutional Neural Network with High Spatial Resolution Multispectral Remote Sensing Imagery[J]. Remote Sens Environ, 2018, 214:73-86 http://www.sciencedirect.com/science/article/pii/S0034425718302074
[54] Peng B, Meng Z, Huang Q, et al. Patch Similarity Convolutional Neural Network for Urban Flood Extent Mapping Using Bi-Temporal Satellite Multispectral Imagery[J]. Remote Sens, 2019, 11(21): 2 492 http://www.researchgate.net/publication/336809460_Patch_Similarity_Convolutional_Neural_Network_for_Urban_Flood_Extent_Mapping_Using_Bi-Temporal_Satellite_Multispectral_Imagery
[55] Yuan Q Q, Shen H F, Li T W, et al.Deep Learning in Environmental Remote Sensing: Achievements and Challenges[J]. Remote Sens Environ, 2020, 241: 111 716 http://www.sciencedirect.com/science/article/pii/S0034425720300857
[56] Yuan Q, Zhang Q, Li J, et al. Hyperspectral Image Denoising Employing a Spatial-Spectral Deep Residual Convolutional Neural Network[J]. IEEE Trans Geosci Remote Sens, 2018, 57(2): 1 205-1 218 http://ieeexplore.ieee.org/document/8454887
[57] Zhang Q, Yuan Q, Zeng C, et al. Missing Data Reconstruction in Remote Sensing Image with a Unified Spatial-Temporal-Spectral Deep Convolutional Neural Network[J]. IEEE Trans Geosci Remote Sens, 2018, 56(8): 4 274–4 288 http://ieeexplore.ieee.org/document/8316243/references
[58] 王家耀.人工智能时代: 地图学从哪里来到哪里去[C].第三届全国地图学理论与方法研讨会, 广州, 2018 Wang Jiaoyao. The Times of AI: Where Cartography Comes From and Goes to[C].The 3rd National Conference on Cartography Theory and Method, Guangzhou, China, 2018
[59] Li W, Hsu C Y. Automated Terrain Feature Identification from Remote Sensing Imagery: A Deep Learning Approach[J]. Int J Geogr Inf Sci, 2020, 34(4): 637-660 doi: 10.1080/13658816.2018.1542697
[60] Xie Y, Cai J, Bhojwani R, et al. A Locally-Constrained Yolo Framework for Detecting Small and Densely-Distributed Building Footprints[J].Int J Geogr Inf Sci, 2020, 34(4): 777-801 doi: 10.1080/13658816.2019.1624761
[61] Yan X, Ai T, Yang M, et al. Graph Convolutional Autoencoder Model for the Shape Coding and Cognition of Buildings in Maps[J]. Int J Geogr Inf Sci, 2020, DOI: 10.1080/13658816.2020.1768260
[62] Chiang Y Y, Knoblock C A. Recognizing Text in Raster Maps[J]. Geoinformatica, 2015, 19(1): 1-27
[63] Duan W, Chiang Y Y, Leyk S, et al. Automatic Alignment of Contemporary Vector Data and Georeferenced Historical Maps Using Reinforcement Learning[J]. Int J Geogr Inf Sci, 2020, 34(4): 824-849 doi: 10.1080/13658816.2019.1698742
[64] Kang Y, Gao S, Roth R E. Transferring Multiscale Map Styles Using Generative Adversarial Networks[J]. Int J Cartogr, 2019, 5(2-3): 115-141 doi: 10.1080/23729333.2019.1615729
[65] Huang X, Xu D, Li Z, et al. Translating Multispectral Imagery to Nighttime Imagery via Conditional Generative Adversarial Networks[OL].https://arxiv.org/pdf/2001.05848v1.pdf, 2019
[66] Jenny B, Heitzler M, Singh D, et al. Cartographic Relief Shading with Neural Networks[OL]. https://arxiv.org/pdf/2010.01256.pdf, 2020
[67] Ganguli S, Garzon P, Glaser N. Geogan: A Conditional Gan with Reconstruction and Style Loss to Generate Standard Layer of Maps from Satellite Images[OL].https://arxiv.org/pdf/1902.05611.pdf, 2019
[68] Xu C, Zhao B. Satellite Image Spoofing: Creating Remote Sensing Dataset with Generative Adversarial Networks (Short Paper)[C]. 10th International Conference on Geographic Information Science (GIScience 2018), Melbourne, Australia, 2018
[69] Touya G, Zhang X, Lokhat I. Is Deep Learning the New Agent for Map Generalization?[J]. Int J Cartogr, 2019, 5(2-3):142-157 doi: 10.1080/23729333.2019.1613071
[70] Feng Y, Thiemann F, Sester M. Learning Cartographic Building Generalization with Deep Convolutional Neural Networks[J]. ISPRS Int J Geo-Information, 2019, 8(6): 258 http://www.researchgate.net/publication/333524263_learning_cartographic_building_generalization_with_deep_convolutional_neural_networks
[71] Goodchild M F, Hill L L. Introduction to Digital Gazetteer Research[J]. Int J Geogr Inf Sci, 2008, 22(10): 1 039-1 044 doi: 10.1080/13658810701850497
[72] Hu Y. Geo-Text Data and Data-Driven Geospatial Semantics[J]. Geogr Compass, 2018, 12(11):e12404 doi: 10.1111/gec3.12404
[73] Gao S, Li L, Li W, et al. Constructing Gazetteers from Volunteered Big Geo-Data Based on Hadoop[J]. Comput Environ Urban Syst, 2017, 61: 172-186 http://www.sciencedirect.com/science/article/pii/s0198971514000209
[74] Ju Y, Adams B, Janowicz K, et al. Things and Strings: Improving Place Name Disambiguation from Short Texts by Combining Entity Co-occurrence with Topic Modeling[C].European Knowledge Acquisition Workshop, Bologna, Italy, 2016
[75] Acheson E, Volpi M, Purves R S.Machine Learning for Cross-Gazetteer Matching of Natural Features[J]. Int J Geogr Inf Sci, 2020, 34(4): 708-734 doi: 10.1080/13658816.2019.1599123
[76] Santos R, Murrieta-Flores P, Calado P, et al.Toponym Matching Through Deep Neural Networks[J]. Int J Geogr Inf Sci, 2018, 32(2):324-348 doi: 10.1080/13658816.2017.1390119
[77] Hu Y, Deng C, Zhou Z. A Semantic and Sentiment Analysis on Online Neighborhood Reviews for Understanding the Perceptions of People Toward Their Living Environments[J]. Ann Am Assoc Geogr, 2019, 109(4): 1 052-1 073 doi: 10.1080/24694452.2018.1535886
[78] Huang Y, Li J, Wu G, et al. Quantifying the Bias in Place Emotion Extracted from Photos on Social Networking Sites: A Case Study on a University Campus[J]. Cities, 2020, 102: 102 719 http://www.sciencedirect.com/science/article/pii/S0264275119312818
[79] Gao S, Goodchild M F. Asking Spatial Questions to Identify GIS Functionality[C]. 4th International Conference on Computing for Geospatial Research and Application, San Jose, CA, USA, 2013
[80] Mai G, Janowicz K, Cai L, et al. SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic Question Answering and Spatial Semantic Lifting[J]. Trans GIS, 2020, doi: abs/10.1111/tgis.12629
[81] Scheider S, Ballatore A, Lemmens R. Finding and Sharing GIS Methods Based on the Questions They Answer[J]. Int J Digit Earth, 2019, 12(5): 594-613 doi: 10.1080/17538947.2018.1470688
[82] Mai G, Yan B, Janowicz K, et al. Relaxing Unanswerable Geographic Questions Using a Spatially Explicit Knowledge Graph Embedding Model[C]. The Annual International Conference on Geographic Information Science, Limassol, Cyprus, 2019
[83] Vahedi B, Kuhn W, Ballatore A. Question-Based Spatial Computing—A Case Study[M]//Tapani S, Maribel Y, Santos L, et al. Geospatial Data in a Changing World.Helsinki, Finland: Springer, 2016: 37–50
[84] Wang J, Hu Y, Joseph K. NeuroTPR: A Neuro-net Toponym Recognition Model for Extracting Locations from Social Media Messages[J].Trans GIS, 2020, 24(3):719-735 doi: 10.1111/tgis.12627
[85] Hu Y, Wang J. How Do People Describe Locations During a Natural Disaster: An Analysis of Tweets from Hurricane Harvey[C]. 11th International Conference on Geographic Information Science (GIScience 2021)-Part I, Poznań, Poland, 2020
[86] Zheng Y, Xie X, Ma W Y. GeoLife: A Collaborative Social Networking Service Among User, Location and Trajectory[J]. IEEE Data Eng Bull, 2010, 33(2): 32-39 http://www.researchgate.net/publication/220282575_geolife_a_collaborative_social_networking_service_among_user_location_and_trajectory
[87] Gong P, Liu H, Zhang M L, et al. Stable Classification with Limited Sample: Transferring a 30-m Resolution Sample Set Collected in 2015 to Mapping 10-m Resolution Global Land Cover in 2017[J]. Sci Bull, 2019, 64: 370-373 http://www.cqvip.com/qk/86894x/20196/7001840703.html
[88] Yu L, Wang J, Gong P. Improving 30 m Global Land-Cover Map FROM-GLC with Time Series MODIS and Auxiliary Data Sets: A Segmentation-Based Approach[J]. Int J Remote Sens, 2013, 34(16): 5 851-5 867 http://dl.acm.org/citation.cfm?id=2492467
[89] Arundel S T, Li W, Wang S. GeoNat v1.0: A Dataset for Natural Feature Mapping with Artificial Intelligence and Supervised Learning[J]. Trans GIS, 2020, 24(3): 556-572 doi: 10.1111/tgis.12633
[90] Wang J, Hu Y. Enhancing Spatial and Textual Analysis with EUPEG: An Extensible and Unified Platform for Evaluating Geoparsers[J]. Trans GIS, 2019, 23(6): 1 393-1 419 http://ui.adsabs.harvard.edu/abs/arXiv:2007.04524
[91] Wilson J P, Butler K, Gao S, et al. A Five-Star Guide for Achieving Replicability and Reproducibility when Working with GIS Software and Algorithms[J]. Ann Am Assoc Geogr, 2020, DOI: 10.1080/24694452.2020.1806026
[92] Yang Q, Liu Y, Chen T, et al. Federated Machine Learning: Concept and Applications[J]. ACM Trans Intell Syst Technol, 2019, 10(2): 1-19 http://arxiv.org/abs/1902.04885
[93] Cheng X, Wang J, Li H, et al.A Method to Evaluate Task-Specific Importance of Spatio-Temporal Units Based on Explainable Artificial Intelligence[J]. Int J Geogr Inf Sci, 2020, DOI: 10.1080/13658816.2020.1805116
[94] 徐增林, 盛泳潘, 贺丽荣, 等.知识图谱技术综述[J].电子科技大学学报, 2016, 45(4): 589-606 http://www.cnki.com.cn/Article/CJFDTotal-DKDX201604012.htm Xu Zenglin, Sheng Yongpan, He Lirong, et al. Review on Knowledge Graph Techniques[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(4): 589-606 http://www.cnki.com.cn/Article/CJFDTotal-DKDX201604012.htm
[95] Hu Y, Janowicz K, Prasad S, et al.Metadata Topic Harmonization and Semantic Search for Linked-Data-Driven Geoportals: A Case Study Using ArcGIS Online[J]. Trans GIS, 2015, 19(3): 398-416 doi: 10.1111/tgis.12151
[96] 乐阳, 李清泉, 郭仁忠.融合式研究趋势下的地理信息教学体系探索[J].地理学报, 2020, 75(8) :1 790-1 796 http://www.cnki.com.cn/Article/CJFDTotal-DLXB202008017.htm Yue Yang, Li Qingquan, Guo Renzhong. Curriculum Design for Urban Informatics[J]. Acta Geographica Sinica, 2020, 75(8) :1 790-1 796 http://www.cnki.com.cn/Article/CJFDTotal-DLXB202008017.htm
-
期刊类型引用(37)
1. 罗斌，刘文豪，吴进，韩嘉福，吴文周，李洪省. 从地理信息系统到地理智能体. 地球信息科学学报. 2025(01): 83-99 . 
百度学术
2. 王培晓，张恒才，张岩，程诗奋，张彤，陆锋. 地理空间智能预测研究进展与发展趋势. 地球信息科学学报. 2025(01): 60-82 . 百度学术
3. 王行风，陈国良. 地理知识图谱辅助的煤矿区生态损伤智慧识别研究. 地球信息科学学报. 2025(02): 367-380 . 百度学术
4. 张岸，朱俊锴. 新一代人工智能驱动下地图学研究的机遇与挑战. 地球信息科学学报. 2024(01): 35-45 . 百度学术
5. 刘康. 人类移动数据生成方法：研究进展与趋势探讨. 地球信息科学学报. 2024(04): 831-847 . 百度学术
6. 闾国年，袁林旺，陈旻，张雪英，周良辰，俞肇元，罗文，乐松山，吴明光. 地理信息学科发展的思考. 地球信息科学学报. 2024(04): 767-778 . 百度学术
7. 吴田军，骆剑承，李曼嘉，张静，赵馨，胡晓东，左进，闵帆，王玲玉，黄启厅. 地理时空数字化底座理论框架构建与应用实践. 地球信息科学学报. 2024(04): 799-830 . 百度学术
8. 王宇君，郭健，徐立，李宗明，李可欣. 利用深度森林进行船舶类型分类识别. 测绘科学技术学报. 2024(04): 425-432+440 . 百度学术
9. 邬伦，侯远樵，刘瑜. 大数据的6种地理学应用范式. 测绘学报. 2024(08): 1465-1479 . 百度学术
10. 石岩，王达，邓敏，杨学习. 时空异常探测：从数据驱动到知识驱动的内涵转变与实现路径. 测绘学报. 2024(08): 1493-1504 . 百度学术
11. 杨开先，甄峰. 地理学视角下城市空间智能化研究进展与思考. 地理科学. 2024(07): 1166-1177 . 百度学术
12. 李洁，王继周，毛曦，路文娟. 基于语义编码的自然语言时空问句语义理解. 测绘科学. 2024(11): 197-206 . 百度学术
13. 刘瑜，汪珂丽，邢潇月，郭浩，张维昱，罗琴瑶，高松，黄舟，李海峰，李新，王姣娥，王劲峰，朱递. 地理分析中的空间效应. 地理学报. 2023(03): 517-531 . 百度学术
14. 杨颖. 人工智能在地图学中的应用展望. 电子技术. 2023(03): 162-163 . 百度学术
15. 诸云强，孙凯，胡修棉，闾海荣，王新兵，杨杰，王曙，李威蓉，宋佳，苏娜，牟兴林. 大规模地球科学知识图谱构建与共享应用框架研究与实践. 地球信息科学学报. 2023(06): 1215-1227 . 百度学术
16. 陆锋，诸云强，张雪英. 时空知识图谱研究进展与展望. 地球信息科学学报. 2023(06): 1091-1105 . 百度学术
17. 诸云强，孙凯，李威蓉，王曙，宋佳，程全英，杨杰，牟兴林，耿文广，代小亮. 地球科学知识图谱比较分析与启示：构建方法与内容视角. 高校地质学报. 2023(03): 382-394 . 百度学术
18. 张彤，刘仁宇，王培晓，高楚林，刘杰，王望舒. 感知物理先验的机器学习及其在地理空间智能中的研究前景. 地球信息科学学报. 2023(07): 1297-1311 . 百度学术
19. 丁建丽，葛翔宇，王瑾杰，赵爽，丁玥，秦少峰，朱传梅，马雯. 地理学领域的人工智能应用与思考. 新疆大学学报(自然科学版)(中英文). 2023(04): 385-397 . 百度学术
20. 付偲，李超岭，张海燕，刘畅，李丰丹. 基于多模态特征融合的地质体识别方法. 地球科学. 2023(10): 3743-3752 . 百度学术
21. Yunqiang ZHU，Kai SUN，Shu WANG，Chenghu ZHOU，Feng LU，Hairong LV，Qinjun QIU，Xinbing WANG，Yanmin QI. An adaptive representation model for geoscience knowledge graphs considering complex spatiotemporal features and relationships. Science China Earth Sciences. 2023(11): 2563-2578 . 必应学术
22. 诸云强，孙凯，王曙，周成虎，陆锋，闾海荣，邱芹军，王新兵，祁彦民. 顾及复杂时空特征及关系的地球科学知识图谱自适应表达模型. 中国科学:地球科学. 2023(11): 2609-2622 . 百度学术
23. 陈杰，邓敏，刘启亮，石岩，刘慧敏. 大数据智能时代地理信息科学专业人才培养方案的提质与实践. 测绘通报. 2023(11): 163-167 . 百度学术
24. 黄露，侯爱羚. 基于省市联动的基础测绘数据智能更新技术. 地理空间信息. 2023(12): 83-85 . 百度学术
25. 许磊，李琪，陶雲，余红楚，杜文英，陈泽强，陈能成. 数据驱动的短临降水预报可靠性分析技术体系研究. 时空信息学报. 2023(04): 508-517 . 百度学术
26. 贺智，陈逸敏，刘凯. AI时代地理信息科学一流本科专业课程建设探索. 测绘通报. 2023(S2): 60-63 . 百度学术
27. 杨学习，邓敏，刘瑜. 社会感知与地理空间智能的研究动态与展望——“社会感知与地理空间智能”专栏导读. 地理与地理信息科学. 2022(01): 1-4 . 百度学术
28. 李双成，张文彬，陈立英，梁泽，张雅娟，王铮. 孪生空间及其应用——兼论地理研究空间的重构. 地理学报. 2022(03): 507-517 . 百度学术
29. 孔宇，甄峰，张姗琪. 智能技术影响下的城市空间研究进展与思考. 地理科学进展. 2022(06): 1068-1081 . 百度学术
30. 刘瑜，郭浩，李海峰，董卫华，裴韬. 从地理规律到地理空间人工智能. 测绘学报. 2022(06): 1062-1069 . 百度学术
31. 涂伟，夏吉喆，汪驰升，陆旻，乐阳. 面向智慧城市的空间计算与分析类课程教学模式探索与实践. 测绘地理信息. 2022(S1): 14-17 . 百度学术
32. 高嘉良，陆锋，彭澎，徐阳. 基于网络文本迁移学习的旅游知识图谱构建. 武汉大学学报(信息科学版). 2022(08): 1191-1200+1219 . 百度学术
33. 武芳，杜佳威，钱海忠，翟仁健. 地图综合智能化研究的发展与思考. 武汉大学学报(信息科学版). 2022(10): 1675-1687 . 百度学术
34. 兰锐，陈慧玲，童杨辉. “自然资源大脑”构建关键技术及应用设想. 自然资源信息化. 2022(05): 99-105 . 百度学术
35. 慎利，徐柱，李志林，刘万增，崔秉良. 从地理信息服务到地理知识服务：基本问题与发展路径. 测绘学报. 2021(09): 1194-1202 . 百度学术
36. 张永生，张振超，童晓冲，纪松，于英，赖广陵. 地理空间智能研究进展和面临的若干挑战. 测绘学报. 2021(09): 1137-1146 . 百度学术
37. 艾廷华. 深度学习赋能地图制图的若干思考. 测绘学报. 2021(09): 1170-1182 . 百度学术
其他类型引用(13)
下载:
计量
- 文章访问数: 6230
- HTML全文浏览量: 1731
- PDF下载量: 1393
- 被引次数: 50
