Automated Lane-Level Road Geometry Estimation Using Microscopic Trajectory Data
Notice bibliographique
Résumé
Vehicle trajectory data is in high demand for transportation research due to its rich detail. Lane information is an important aspect of trajectory data, which is typically obtained using sensors such as cameras or LiDAR, which are able to extract road lane features. However, some sensors for trajectory tracking (e.g., MMW radar sensors) are unable to provide lane information. Vehicle detection and trajectory tracking systems based on these sensing technologies can integrate with lane information through manual calibration during initial installation, but this process is labor-intensive and requires frequent recalibration as the sensors gradually become deviated by wind and vibration. This has posed a challenge for trajectory tracking, particularly for real-time applications. To address this challenge, this paper proposes a method for estimating lane-level road geometrics using microscopic trajectory data. The method involves segmenting the trajectory points using direction vectors and clustering them and fitting a series of cluster center points. The mean error (ME) of the distance between the estimated result and the ground truth reference is used to measure the accuracy of the lane-level road geometrics estimation in different conditions. Results show that when the average trajectory data includes at least approximately 30 points per meter in each segment, the ME is always less than 0.1 m. The method has also been tested on MMW wave radar data and found to be effective. This demonstrates the feasibility of our approach for dynamic calibration of road alignment in vehicle trajectory tracking systems.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».