Building an Augmented Reality Experience on Top of a Smart Pavement Management System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Pavement Management Systems (PMS) offers a systematic collection, storage, analysis, and modeling of road condition data to optimize resources across a road network. Adding artificial intelligence (AI) and augmented reality (AR) to PMS could improve their technical or visual aspects. This paper tries to identify a method to improve the understanding of the consequences of the city council’s decisions in the urban pavement management system field. This paper establishes the potential of AR. It provides future maintenance and rehabilitation (M&R) actions needed based on the recommendation of the future distress in the study area. The road cracks are discovered through technical analysis, and a CityEngine model is established based on the PMS results. Additionally, in terms of visualization, this paper’s unique feature delivers the result as an AR experience. Applying the Unity game engine and importing the built CityEngine model and the embedded textures as input empowered us to provide a dynamic product in terms of data and analysis and a real-time Decision Support System (DSS) for the final users. This paper concludes that researchers need many different modules to design and implement an efficient PMS to move toward a smart PMS. The smart city concept is meaningless without a tight collaboration between all distinctive parts of each urban infrastructure management system. Additionally, this paper attempts to provide answers for researchers and an outlook for future research, the development of the proposed method, and its application in other fields
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle