Development of an unsupervised 3D LiDAR-based methodology for automated safety monitoring of railway facilities
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
Railway safety (e.g., at grade crossings, platforms, or rail tracks) is a primary concern for transportation authorities. Unfortunately, preventable railway collisions claim the lives of hundreds annually, often involving individuals crossing illegally at highway-railway grade crossings or trespassing at unauthorized railroad facilities. Transportation authorities often deploy a range of engineering countermeasures to mitigate the frequency or risk of such events. These countermeasures include technological solutions that automatically activate warning systems, barriers, or gates to alert and deter road users from unlawfully entering restricted railway facilities. For the safety monitoring of such facilities, alternative sensing technologies such as video-based computer-vision systems have been evaluated and, in some cases, utilized in practice. Despite their merits, implementing automated LiDAR-based detection and tracking methods has yet to be explored in railway safety applications. This research aims to introduce and assess an unsupervised 3D-LiDAR-based methodology for monitoring rail-road level facilities. This study’s core is the implementation of an unsupervised learning algorithm designed to detect, track, and classify road users using point clouds gathered by a 3D-LiDAR sensor. The proposed methodology demonstrates encouraging results when monitoring rail-road level crossings. The aggregate average absolute percentage deviation (AAPD) for motorized road users and counting motorized road users stands at 5% and 3%, for non-motorized road users at 10% and 14% on two separate test days, each featuring distinct system installations.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 découle