Enriching Roadside Safety Assessments Using LiDAR Technology: Disaggregate Collision-Level Data Fusion and Analysis
Notice bibliographique
Résumé
Fatalities and serious injuries still represent a significant portion of run-off-the-road (ROR) collisions on highways in North America. In order to address this issue and design safer and more forgiving roadside areas, more empirical evidence is required to understand the association between roadside elements and safety. The inability to gather that evidence has been attributed in many cases to limitations in data collection and data fusion capabilities. To help overcome such issues, this paper proposes using LiDAR datasets to extract the information required to analyze factors contributing to the severity of ROR collisions on a localized collision level. Specifically, the paper proposes a new method for extracting pole-like objects and tree canopies. Information about other roadside assets, including signposts, alignment attributes, and side slopes is also extracted from the LiDAR scans in a fully automated manner. The extracted information is then attached to individual collisions to perform a localized assessment. Logistic regression is then used to explore links between the extracted features and the severity of fixed-object collisions. The analysis is conducted on 80 km of roads from 10 different highways in Alberta, Canada. The results show that roadside attributes vary significantly for the different collisions along the 80 km analyzed, indicating the importance of utilizing LiDAR to extract such features on a disaggregate collision level. The regression results show that the steepness of side slopes and the offset of roadside objects had the most significant impacts on the severity of fixed-object collisions.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».