Традиционные навигационные решения полагались на спутниковый GPS, дающий позицию с погрешностью в несколько метров, или на локальные карты, обновляемые вручную. Новый подход использует сотни миллионов фото, собранных игроками, и умеет локализовать объект с точностью до нескольких сантиметров.
От мобильной игры к картографическому AI
Когда в 2016‑м году вышел Pokemon Go, миллионы людей начали ходить по улицам, сканируя реальный мир через смартфон. За первые два месяца приложение скачали более полумиллиарда раз, а к десятому году активной аудиторией стали около ста миллионов игроков. Каждый снимок, сделанный в игре, автоматически сохранялся в облаке Niantic, превращаясь в фрагмент огромного визуального датасета.
После продажи игрового бизнеса компании Scopely, дочерняя структура Niantic Spatial продолжила использовать этот массив. На базе 30 млрд фотографий была обучена нейросеть, способная распознавать здания, уличные знаки и другие ориентиры, а затем определять координаты пользователя с субсантиметровой точностью.
Техническая архитектура
Система состоит из трёх основных слоёв:
- Сбор и предварительная обработка изображений: каждый кадр проходит фильтрацию, анонимизацию и геопривязку.
- Обучение модели компьютерного зрения: используют сверточные сети, обучаемые на миллиардах меток, полученных из GPS‑данных и пользовательских корректировок.
- Онлайн‑инференс в реальном времени: при запросе робот или мобильное приложение получает набор признаков окружающих объектов и вычисляет позицию до нескольких сантиметров.
| Технология | Средняя погрешность | Необходимые данные | Тип применения |
|---|---|---|---|
| GPS | ≈ 5 м | Спутниковый сигнал | Навигация для автотранспорта, смартфонов |
| Традиционный SLAM | ≈ 10 см | Лидары, камеры, ИМУ | Роботы‑пылесосы, AR‑очки |
| Niantic Spatial (на основе фотоданных) | ≈ 2‑3 см | База из 30 млрд фото | Доставка роботов «последней мили», точные AR‑приложения |
Компаниям, желающим воспользоваться этой технологией, следует выполнить три шага:
- Подключить API Niantic Spatial к своему сервису доставки или роботизированной платформе.
- Обеспечить доступ к камере и датчикам ориентации на устройстве‑клиенте.
- Настроить локальную калибровку, используя несколько известных точек в зоне эксплуатации.
Взгляд в будущее
Потенциал визуального датасета растёт: каждый новый игрок добавляет тысячи снимков, а модель продолжает улучшаться. Ожидается расширение функций до предсказания изменений инфраструктуры (строительство, ремонт) и интеграции с автономными транспортными средствами, где точность позиционирования критична.
