Automated Object Detection, Mapping, and Assessment of Roadside Clear Zones Using Lidar Data
Notice bibliographique
Résumé
This paper proposes a fully automated approach to map and assess roadside clearance parameters using mobile Light Detection and Ranging (lidar) data on rural highways. Compared with traditional manual surveying methods, lidar data could provide a more efficient and cost-effective source to extract roadside information. This study proposes a novel voxel-based raycasting approach focused primarily on automating roadside mapping and assessment. First, the scanning vehicle trajectory is extracted. Pavement surface points are then detected, and a method is proposed to extract pavement edge trajectories. Once pavement edges are extracted, guardrails were identified using a conical frustum emitted from the edge trajectory points. Target points and flexion points are then generated and located on the roadside, and a voxel-based raycasting approach is used to search for roadside obstacles and query their locations. Finally, roadside slopes and embankment heights were mapped at specific intervals, and roadside design guidelines and requirements were automatically checked against the mapping results. Noncompliant locations with substandard conditions were automatically queried. The method was tested on four highway segments in Alberta, Canada. The accuracy of the edge detection reached up to 98.5%. Furthermore, the method proved to be accurate in object detection, being able to detect all obstructions on the roadside in each tested segment. The proposed method can help transportation authorities automatically map and inventory roadside clearance parameters. Moreover, the safety performance of existing road infrastructure can be studied using collected information and crash data to support decision making on road maintenance and upgrades.
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 | 0,004 | 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 | 0,001 |
| 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 ».