Automated Extraction of Driving Lines from Mobile Laser Scanning Point Clouds
Notice bibliographique
Résumé
Abstract. This paper presents a novel approach to automated generation of driving lines from mobile laser scanning (MLS) point cloud data. The proposed method consists of three steps: road surface segmentation, road marking extraction and classification, and driving line generation. The voxel-based upward-growing algorithm was firstly used to extract ground points from the raw MLS point clouds followed by segmentation of road surface using a region-growing algorithm. Then, the statistical outlier removal filter was applied to separate and refine the road marking points followed by extracting and classifying the lane markings based on the geometric features of different road markings using empirical hierarchical decision trees. Finally, land node structures were constructed followed by generation of driving lines using a curve-fitting algorithm. The proposed method was tested on both circular road sections and irregular intersections. The smoothing spline curve fitting model was tested on the circular road sections, while the Catmull-Rom spline with five control points was used to generate the driving lines at road intersections. The overall performance of the proposed algorithms is promising with 96.0% recall, 100.0% precision, and 98.0% F1-score for the lane marking extraction specifically. Most significantly, the validation results demonstrate that the driving lines can be effectively generated within 20 cm-level localization accuracy at an average of 3.5% miscoding using MLS point clouds, which meets the requirement of localization accuracy of fully autonomous driving functions. The results demonstrate the proposed methods can successfully generate road driving lines in the test datasets to support the development of high-definition maps.
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 | 0,000 | 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 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 ».