ЛИДАРНИ ДАННИ
ИНСТИТУЦИЯ: GATE Institute
ИЗСЛЕДОВАТЕЛИ:
Маулана Уибисана - https://www.linkedin.com/in/mwibisana/
Мила Коева - https://www.linkedin.com/in/mila-koeva-%F0%9F%9F%A5-b7ab136/
Пирос Нуриан - https://www.linkedin.com/in/pirouz-nourian-71b10427/
Десислава Петрова-Антонова - https://www.linkedin.com/in/dessislava-petrova-antonova/
???????Калоян Карамитов - https://www.linkedin.com/in/kaloyan-karamitov/
На едно от най-оживените кръстовища в София – бул. ?Черни връх“ и ул. ?Хенрик Ибсен“ – има специална станция, която следи как се движим. Тя използва Лидар технология (подобна на радар, но с лазер), за да ?вижда“ в реално време пешеходци, велосипедисти и автомобили, без да ги снима или проследява с GPS.
Данните помагат на GATE да анализира трафика и да предлага по-добри решения за по-безопасни и удобни улици в София.
Настоящото изследване представя иновативен работен процес, който интегрира данни от лидарните сензори за мониторинг на трафика и микро-симулация, в подкрепа на вземането на информирани решения в областта на градското транспортно планиране. Проучването е проведено на едно от най-натоварените кръстовища в София, като са използвани шест лидарни сензора, инсталирани в район Лозенец като част от инфраструктурата на City Living Lab към институт GATE.
Работният процес адресира основни предизвикателства в обработката на данни за трафика, включително класификация на обекти, анализ на траектории и прекласификация на неидентифицирани обекти. Данните от лидарните сензори, записани във формат OSEF, се обработват и трансформират от локални в глобални географски координати за целите на пространствения анализ. Чрез алгоритъм на Random Forest (RF) се извършва прекласификация на обекти с неизвестен статус, което повишава точността на данните за симулации.
Извършва се подробна семантична сегментация на пътната мрежа с помощта на сателитни изображения за точно определяне на зоната на кръстовището и лентите с точните им посоки на движение, което позволява коректна класификация на траекториите – пълни, частични, с нарушения или непълни. Обогатеният набор от данни се съхранява в PostGIS база данни и се интегрира в платформата за симулация SUMO (Simulation of Urban Mobility), използвайки както XML конфигурации, така и динамичен реален поток чрез TraCI.
Резултатите показват успешно трансформиране на суровите лидарни данни в приложими за управление на трафика анализи и реалистични симулации, отразяващи действителните условия на пътя. Моделът RF значително подобрява класификацията на обектите и намалява несигурността в данните. Комбинацията от пространствен анализ, машинно обучение и симулация осигурява надежден инструмент за наблюдение на трафика, откриване на неефективности и подпомагане на анализа на транспортните потоци.
Бъдещи изследвания ще се фокусират върху оптимизацията на обработката на данни в реално време и усъвършенстване на машинно-обучителните модели за още по-голяма точност и ефективност.
Изследването подчертава потенциала на градските дигитални двойници, базирани на LiDAR данни и напреднали аналитични методи, за справяне със съвременните предизвикателства в управлението на трафика и се стреми да допринесе за развитието на по-безопасни, ефективни и устойчиви градове.
Линк към публикация:
???????https://isprs-annals.copernicus.org/articles/X-4-2024/411/2024