A literature synthesis of LiDAR applications in transportation: feature extraction and geometric assessments of highways
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Interest in using Light Detection and Ranging (LiDAR) technology in Transportation Engineering has grown over the past decade. The high accuracy of LiDAR datasets and the efficiency by which they can be collected has led many transportation agencies to consider mobile LiDAR as an alternative to conventional tools when surveying roadway infrastructure. Nonetheless, extracting semantic information from LiDAR datasets can be extremely challenging. Although extracting roadway features from LiDAR has been considered in previous research, the extraction of some features has received more attention than others. In fact, for some roadway design elements, attempts to extract those elements from LiDAR have been extremely scarce. To document the research that has been done in this area, this paper conducts a thorough review of existing studies while also highlighting areas where more research is required. Unlike previous research, this paper includes a thorough review of the previous attempts at data extraction from LiDAR while summarizing the detailed steps of the extraction procedure proposed in each study. Moreover, the paper also identifies common tools and techniques used to extract information from LiDAR for transportation applications. The paper also highlights common limitations in existing algorithms that could be improved in future research. This paper represents a valuable resource for researchers and practitioners interested in knowing the current state of research on the applications of LiDAR in the field of Transportation Engineering while also understanding the opportunities and challenges that lie ahead.
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.
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 | 0,002 |
| 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) | 0,000 | 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 découle