MétaCan
Menu
Retour à la cohorte
Enregistrement W4281255456 · doi:10.1155/2022/6766455

Road-Type Detection Based on Traffic Sign and Lane Data

2022· article· en· W4281255456 sur OpenAlexvenueno aff
Zoltán Fazekas, Gábor Balázs, Csaba Christian Gyulai, Péter Potyondi, Péter Gáspár

Notice bibliographique

RevueJournal of Advanced Transportation · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAutonomous Vehicle Technology and Safety
Établissements canadiensnon disponible
Organismes subventionnairesNational Research, Development and Innovation OfficeNemzeti Kutatási Fejlesztési és Innovációs Hivatal
Mots-clésComputer scienceHeuristicsGlobal Positioning SystemReal-time computingSpeed limitSoftwareHeuristicData typeVehicle typeSimulationData miningArtificial intelligenceEngineeringTransport engineering

Résumé

récupéré en direct d'OpenAlex

Establishing the current road type constitutes a significant assistance to car drivers, as, by default, the road type determines the legal speed limit. Although there are GPS- and map-based navigation systems that can retrieve the actual road type and speed limit and some can even access and indicate current traffic volumes, it was our aim to develop and test a software prototype of a road-type detection (RTD) system that relies solely on video and sensor data collected on board. Such a system can still work during GPS signal outages. The study presents a heuristic approach to RTD that is based on type and distance data relating to traffic control devices (TCDs) installed along a road. The road is used by an ego vehicle with an on-board smart camera looking ahead and with a number of vehicular sensors. A complex processing step—not detailed in the study—detects TCDs with reasonable probability and error rate and locates them with respect to a 3D coordinate frame fixed to the ego vehicle. The prototype system takes data describing the detected TCDs as its input. This data are then evaluated in a multiscale manner by computing empirical statistics of occurrences over short, medium, and long patches of road. Such an evaluation is carried out in conjunction with each considered road type, and the resulting values are compared to respective reference values. Heuristics is then used in decision-making to resolve any interscale and interroad-type disaccords. The proposed decision rules take into account the possibility of TCDs having been missed and of faulty detections. Short preprocessed synchronised video and signal sequences recorded in different countries and road environments were used for testing the prototype system. These short sequences were carefully strung together into coherent chains. Distance-based recognition precisions 78.9% and 88.9% were gained for European (continental) and for UK roads, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,358
Score d'incertitude au seuil0,268

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,217
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetAutonomous Vehicle Technology and SafetyTravaux en français237 207