LIDAR Based Vehicle Classification

  • 1星
  • 日期: 2021-08-31
  • 大小: 1.31MB
  • 所需积分:1分
  • 下载次数:0
  • favicon收藏
  • rep举报
  • free评论
标签: 自动驾驶






Vehicle  classification  data  are  used  in  many  transportation  applications,  including:  pavement  design,  environmental  impact  studies,  traffic  control,  and  traffic  safety  (FHWA,  2001).  There  are  several  classification  methods,  including:  axle-based  (e.g.,  pneumatic  tube  and  piezoelectric  detectors),  vehicle  length-based  (e.g.,  dual  loop  and  some  wayside  microwave  detectors),  as  well  as  emerging  machine  vision  based  detection.  Each  sensor  technology  has  its  own  strengths  and  weaknesses  regarding  costs,  performance,  and  ease  of  use.  Operating  agencies  spend  millions  of  dollars  to  deploy  vehicle  classification  stations  to  collect  classified  count  data,  yet  very  few  of  these  stations  are  ever  subjected  to  a  rigorous  performance  evaluation  to  ensure  that  they  are  reporting  accurate  data.  As  noted  in  the  Traffic  Monitoring  Guide  (FHWA,  2001),  the  quality  of  data  collected  depends  on  the  operating  agency  to  periodically  calibrate,  test,  and  validate  the  performance  of  classification  sensors,  but  few  operating  agencies  have  an  on-going  performance  monitoring  system  to  ensure  that  well  tuned  classification  stations  do  not  drift  out  of  tune.  Both  one  time  and  periodic  performance  monitoring  have  been  prohibitively  labor  intensive  because  the  only  option  has  been  to  manually  validate  the  performance,  e.g.,  classifying  a  sample  by  hand.  When  these  studies  are  conducted,  the  manual  classifications  are  usually  of  limited  value  both  because  the  manual  data  are  prone  to  human  error,  and  among  the  few  studies  that  have  been  published,  most  employ  the  conventional  reporting  periods  used  by  the  stations  (typically  15  min  periods  or  longer),  which  are  too  coarse,  allowing  over-counting  errors  to  cancel  under-counting  errors.  In  the  present  study  we  develop  a  classification  performance  monitoring  system  to  allow  operating  agencies  to  rapidly  assess  the  performance  of  existing  classification  stations  on  a  per  vehicle  basis.  We  eliminate  most  of  the  labor  demands  and  instead,  deploy  a  portable  non-intrusive  vehicle  classification  system  (PNVCS)  to  classify  vehicles,  concurrent  with  an  existing  classification  station.  For  this  study  we  use  a  side-fire  LIDAR  (light  detection  and  ranging)  based  classifier  from  Lee  and  Coifman  (2012a)  for  the  PNVCS.  Fig.  1  shows  a  flowchart  of  our  performance  evaluation  system.  The  existing  classification  station  normally  follows  the  three  boxes  within  the  dashed  region  (top  left  of  the  figure)  when  it  is  not  under  evaluation.  The  PNVCS  is  shown  immediately  to  the  right  of  the  dashed  region.  To  prevent  classification  errors  from  canceling  one  another  in  aggregate,  we  record  per-vehicle  record  (pvr)  data  in  the  field  from  both  systems.  After  the  field  collection  the  classification  results  are  evaluated  on  a  per-vehicle  basis.  Algorithms  for  time  synchronization  and  for  matching  observations  of  a  given  vehicle  between  the  two  classification  systems  are  developed  in  this  study.  These  algorithms  automatically  compare  the  vehicle  classification  between  the  existing  classification  station  and  the  PNVCS  for  each  vehicle.  If  the  two  systems  agree,  the  given  vehicle  is  automatically  taken  as  a  success  by  the  classification  station  under  the  implicit  assumptions:  (i)  That  few  vehicles  will  be  misclassified  the  same  way  by  the  two  independent  classification  systems.  (ii)  That  the  PNVCS  has  sufficient  accuracy  so  that  its  data  can  be  used  as  a  benchmark  for  the  existing  classification  station  (in  this  case  Lee  and  Coifman,  2012a,  found  that  the  LIDAR  system  classified  vehicles  with  99.5%  accuracy  on  an  evaluation  set  of  21,769  non-occluded  vehicles).  The  temporary  deployment  includes  a  video  camera  mounted  close  to  the  LIDAR  sensors  and  pointed  at  their  detection  zone  (right-most  path  in  Fig.  1)  to  allow  a  human  to  assess  any  discrepancies.  A  human  only  looks  at  a  given  vehicle  when  the  two  systems  disagree,  and  for  this  task  we  have  developed  tools  to  semi-automate  the  manual  validation  process,  greatly  increasing  the  efficiency  and  accuracy  of  the  human  user.  The  data  sets  in  this  study  take  only  a  few  minutes  for  the  user  to  validate  an  hour  of  pvr  data  from  a  multi-lane  facility.

推荐帖子 最新更新时间:2021-09-22 16:46

申请日期:即日起-7月13日 这是一次免费申请学习板的学习活动,一次学习模拟和深度学习的机会。>>UFUN学习板资源介绍(更新中)STM32/STM8版块模拟部分的学习发布到>>模拟板块我们会以此为依据,观察大家学习的进度,定期送出学习礼礼品。每个阶段都有学习奖品哦,详见下表。 模块难度系数学习阶段和内容学习奖励和名额(奖品从库中随机分配)评奖日期数字★第一阶段:跑一下DEMO例程,对板子有一
EEWORLD社区 综合技术交流
以USCI0为例,说明该两种不同方法。1.switch-case方法 Cpp代码   #pragma vector=USCI_A0_VECTOR  __interrupt void USCI_A0_ISR(void)  {      switch(__even_in_range(UCA0IV,4))      {      case 0:              break;      ca
灞波儿奔 微控制器 MCU
     下图所示三种变换器的工作原理都是先储存能量,然后以受控方式释放能量,从而得到所需要的输出电压。对某一工作来讲,最佳的开关式DC/DC变换器是可以用最小的安装成本满足系统总体需要的。这可以通过一组描述开关式DC/DC变换器性能的参数来衡量,它们包括:高效率、小的安装尺寸、小的静态电流、较小的工作电压、低噪声、高功能集成度、足够的输出电压调节能力、低安装成本。 工作效率 ①电感式D
qwqwqw2088 模拟与混合信号
/******************************************* 函数名称:EsamExternVerify 函数功能:ESAM外部认证 输入参数: 输出参数: 描述:ESAM取随机数-卡用对应密钥对随机数进行内部认证,获得数据D      -ESAM对用相应密钥数据D进行外部认证 ***************************************
灞波儿奔 微控制器 MCU
EMI、EMS和EMC的定义区别:EMI全称Electromagnetic Interference,即电磁干扰,指电子设备在自身工作过程中产生的电磁波,对外发射并对设备其它部分或外部其它设备造成干扰。 EMS全称Electromagnetic Susceptibility,即电磁敏感度,指电子设备受电磁干扰的敏感程度。 EMC全称Electromagnetic Compatibility,即
MartinFowler 电源技术
[tr][td]/时钟设置/ void init_MCLK() {    uchar i;    WDTCTL = WDTPW + WDTHOLD;//关闭看门狗    BCSCTL1&=~ XT2OFF;    //msp430f149 选择XT2频率     do//     {       IFG1 &= ~OFIFG;          // 清除晶振失败标志
WWW.com 微控制器 MCU






About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版 版权声明

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京B2-20211791 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2021 EEWORLD.com.cn, Inc. All rights reserved
$(function(){ var appid = $(".select li a").data("channel"); $(".select li a").click(function(){ var appid = $(this).data("channel"); $('.select dt').html($(this).html()); $('#channel').val(appid); }) })