A Fully Automated Approach to Extract and Assess Road Cross Sections From Mobile LiDAR Data
Notice bibliographique
Résumé
Road cross sections are designed to ensure safe operation of highways. Tangent segments are typically designed with cross slopes to ensure efficient drainage of water off the road's surface, likewise, on horizontal curves the cross section is superelevated (tilted) to help vehicles counteract centrifugal forces. In both cases, ineffective slopes that do not meet design requirements, put vehicles at risk of overturning and skidding. Similarly, if deficiencies exist in side slopes, the chance of recovery for vehicles that run-of-the-road decreases substantially. Thus, transportation agencies must constantly assess elements of a road's cross section to ensure that they meet current design standards throughout their service life. The microscopic nature of cross sectional elements makes measuring such information time consuming, highly disruptive to traffic, and resource intensive. To facilitate more efficient assessments of such features, this paper proposes a novel algorithm to extract road cross sections from light detection and ranging data. The algorithm involves estimating vectors which intersect the road's axis, whereby points within proximity to the vectors are retained and extracted. Slope information is then measured off the retained points. The proposed algorithm is fully automated and employs multivariate adaptive regression splines to identify locations of change in slope. The algorithm was tested on two highway segments in Alberta. The high efficiency and precise manner in which the slope data was extracted, demonstrates the value of using the proposed algorithm in performing network-level assessment of road cross sections.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 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 ».