Automated Assessment of Passing Sight Distance on Rural Highways using Mobile LiDAR Data
Notice bibliographique
Résumé
Providing sufficient Available Sight Distance (ASD) that meets the minimum design requirements is crucial for highway safety. Previous work on sight distance assessment focused on Stopping Sight Distance (SSD) with little attention given to Passing Sight Distance (PSD). Insufficient PSD could lead to severe collisions such as head-on and sideswipe crashes. To address this gap, this paper introduces an automated method for PSD assessment on two-lane highways using mobile Light Detection and Ranging (LiDAR) data. The procedure involved extracting centerline lane marking, defining passing-allowed and passing-prohibited regions, computing the ASD, and comparing the existing centerline marking pattern (i.e., passing and no-passing zones) to a proposed lane marking that is based on the ASD for passing maneuvers. Regions that meet the design standards, substandard zones, and non-optimal design regions were all defined. A reallocation of PSD zones was conducted based on the ASD including modifying the existing lane marking pattern, which resulted in increasing the total length of passing zones by up to 20%, providing more, but safer, passing opportunities. A high-level safety assessment of historical collisions showed clusters of crashes along regions where passing is currently allowed at locations where the ASD is less than standard requirements. The proposed framework represents a tool by which transportation agencies could assess PSD, upgrade the design of existing highways, and investigate the consequences of PSD limitations to ensure compliance with standards during highway service life.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».