Automated extraction of road features using LiDAR data: A review of LiDAR applications in transportation
Notice bibliographique
Résumé
Mobile Light Detection and Ranging (LiDAR) integrates laser scanning equipment, Global Positioning Systems, and inertial navigation technologies into one system that can acquire positional data and intensity information about surrounding objects. In Mobile Laser Scanning, data collection equipment is mounted on a truck which travels through a highway creating a 3D point cloud image of the entire road segment. The high point density of such datasets enables automated extraction of multiple features on highways, which are typically collected manually during long site visits. In addition, the LiDAR data sets could also be used to perform geometric assessments of highway attributes such as available stopping sight distance. If used to their full potential, LiDAR datasets could create a paradigm shift in how geometric assessment and safety audits on highways are conducted. Despite the huge potential, only limited research has attempted extraction of geometric design data from the LiDAR images. This could be a matter of researchers not realizing the full potential of such data or believing that, due to their size, processing such datasets might be impractical. To highlight the full potential of LiDAR data in transportation and to address doubts about the feasibility of extracting information from LiDAR images, this paper provides a thorough review of the potential applications of LiDAR in the field of transportation. The paper includes a thorough review of the previous attempts of transportation data extraction from LiDAR while also providing an overview of other applications which researchers are yet to explore. The paper also discusses the challenges associated with the extraction process and future research in this area.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».