Feasibility of extracting highway vertical profiles from LiDAR data
Notice bibliographique
Résumé
Producing as-built drawings is an important task in any road construction project. In fact, in an ideal situation, these drawings must be updated whenever major maintenance work takes place. Unfortunately, constantly updating those drawings is not always feasible due to the amount of manual work associated with the data collection in traditional surveying practice. The increase in computing power and the advancement in technology has led many transportation agencies to consider utilizing remote sensing techniques to extract roadway design features and prepare as-builts of roads. In this note, a procedure to generate as-built drawings of vertical profiles on highways using light detection and ranging (LiDAR) point cloud data are proposed. The procedure is a multistep procedure where the road centerline of each segment is first defined, after that a best fit alignment of points along the road’s centerline is generated. A digital surface model (DSM) of the LiDAR highway is created and the centerline is relayed onto the DSM before generating the road profile. The proposed method is tested using LiDAR data collected on two highways in the province of Alberta, Canada. The profiles extracted using the proposed method are compared against vertical profiles that were generated for the same segments using data collected in GPS surveys and as-built drawings developed in manual surveys. The results show the feasibility of accurately extracting road profiles from LiDAR data. The average difference in grades estimated using the proposed method and the GPS data ranged from 0.023% to 0.061%. In fact, the proposed method was able to capture details in the road profile that were not detected using GPS data, demonstrating the value of using LiDAR for road profile extraction.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».