LIDAR SYSTEM CALIBRATION: IMPACT ON PLANE SEGMENTATION AND PHOTOGRAMMETRIC DATA REGISTRATION
Notice bibliographique
Résumé
The availability of 3D surface data is crucial for several industrial, public, and military applications. Light Detection And Ranging (LiDAR) is an active sensor system capable of collecting 3D information from an object surface using laser pulses. Accurate and dense LiDAR data can be utilized for georeferencing of photogrammetric data and segmentation of 3D buildings. LiDAR data contaminated by systematic errors cannot guarantee the achievement of the expected accuracy and discrepancies might occur between overlapping strips. This paper presents an alternative method for LiDAR system calibration. In the proposed method, biases in LiDAR system parameters are estimated using time-tagged point cloud and trajectory data (position only). Unlike conventional calibration methods, the proposed method does not require raw measurements like GPS/INS observations, scan-mirror angles, and laser ranges for the laser footprints. The influence of LiDAR system calibration is analyzed through the evaluation of the relative and absolute accuracy before/after the calibration. Before calibration, segmentation procedure may produce unexpected planes because of positional errors of laser footprints and discrepancies between overlapping strips. For relative accuracy analysis, the plane segmentation result before the calibration will be compared to the planes segmented from re-constructed point cloud using the estimated biases in the system parameters. In addition, the impact of the LiDAR system calibration on the absolute accuracy of the point cloud is evaluated by using the LiDAR data for photogrammetric georeferencing before and after performing the proposed calibration procedure. Alternative primitives, such as straight lines extracted from the LiDAR point cloud are used as the control information. The absolute accuracy is evaluated through check point analysis when the photogrammetric reconstruction is done using the original/calibrated LiDAR features.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».