Network Level Clearance Assessment using LiDAR to Improve the Reliability and Efficiency of Issuing Over-Height Permits on Highways
Notice bibliographique
Résumé
Commercial vehicles on highway networks are only permitted to use routes that are designed to accommodate their sizes and weights. When issuing an over-height permit, agencies consider vertical clearances on all route options on a highway network before directing a vehicle to the optimal route. Inefficient routing of commercial vehicles could cause excessive delays, which would result in undesirable economic impacts. Moreover, inaccurate assignment of vehicles to routes where the road infrastructure cannot handle the vehicle’s size could cause significant damage to the roadway, resulting in potential safety risks. Although routing programs and permit-issuing agencies try to avoid inaccurate assignments, this is not always possible since they rely on a database of information prone to human error and one which is not always up to date. To create a more reliable database of information, Departments of Transport need more efficient methods to collect information on highways. This paper aims to increase the efficiency of collecting data required to issue over-height permits by utilizing LiDAR data to automatically assess vertical clearance on highways. The method used involves detecting all overhead objects on a highway corridor and estimating the clearance at each object before mapping the data on a GIS map. The method was tested on three different highway corridors in Alberta, Canada ranging in length from 130 to 400 km. Testing revealed that the proposed method is effective in performing network-level assessment of vertical clearance, which has significant impacts on the efficiency of routing over-height vehicles on a network.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».