Augmenting Navigation Systems for Near Real-Time Scenarios Using LiDAR
Notice bibliographique
Résumé
Global Navigation Satellite Systems (GNSS) are critical components of today's intelligent transport applications. They work in conjunction with Road Network Graphs (RNGs), real-world abstractions of transportation infrastructure, to provide services such as location awareness, route-finding, and point-to-point navigation. When the availability or reliability of RNGs becomes an issue, such as in rural environments where data may not be available or in evolving scenarios where real-time data is needed such as disasters, omnipresent navigational systems are unable to cope. In this work, we explore the feasibility of adapting aerially captured Light Detection and Ranging (LiDAR) point clouds for the purposes of both providing a direct means of navigational assistance as well as augmenting existing RNGs. Toward this end, we present a ground segmentation algorithm to identify ground points in a given city-scale point cloud, and a path-planning algorithm building on this segmentation designed to produce plausible paths through an urban area. Our ground segmentation method achieves an average accuracy of 86\% on 36 point cloud dataset tiles from the Sensaturban dataset, performing better on tiles with more points, and completing both segmentation and classification steps in an average of 86 seconds per 1,000,000 points. It also demonstrates effective qualitative performance on a tile from the Vancouver LiDAR dataset. Our proposed path generation algorithm demonstrates an 85\% error reduction in a challenging scenario using only the LiDAR point cloud and its image-analogous gradients as input. We discuss the inexistence of a suitable dataset, presenting a barrier for a large-scale analysis and comparison in this problem. Many current leading techniques in point cloud processing employ some form of learning, furthering the need for such a dataset. We conclude by discussing some design considerations of such a dataset and present directions for future research in this area.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».