Vers une détection automatique des caractéristiques routières avec le deep learning

Au Japon, une quantité importante de données de nuages ​​de points – un ensemble de points de données dans l’espace – a été mesurée et accumulée pour les travaux publics à l’aide de systèmes de cartographie mobiles et de scanners laser terrestres. Cependant, cette grande quantité de données est d’une utilité limitée dans un état non traité et non structuré. Heureusement, il peut être structuré en extrayant automatiquement une caractéristique à l’aide d’un « plan de dessin d’achèvement » qui montre la géométrie achevée d’un objet de construction.

Plus tôt cette année, des chercheurs japonais, dirigés par le professeur Ryuichi Imai de l’Université Hosei, au Japon, ont proposé une autre méthode pour extraire les caractéristiques routières à l’aide de données cartographiques 3D (HD) de haute précision. Cependant, l’applicabilité de leur approche est limitée aux sections développées des feuilles de route. Bien que le problème puisse être résolu avec une identification basée sur l’apprentissage en profondeur, ils nécessitent une grande quantité de données de formation de haute qualité préparées manuellement.

Récemment, le professeur Imai et ses collaborateurs, Kenji Nakamura de l’Université d’économie d’Osaka, Yoshinori Tsukada de l’Université Setsunan, Noriko Aso de Dynamic Map Platform et Jin Yamamoto de l’Université Hosei ont développé un algorithme pour automatiser le processus de génération de données de formation et construit un modèle d’identification des caractéristiques routières à partir de données de nuages ​​de points extraites automatiquement de cartes HD.

« Actuellement, les gens ont besoin de vérifier visuellement les données du nuage de points pour identifier les caractéristiques de la route car les ordinateurs ne peuvent pas les reconnaître. Mais avec notre méthode proposée, l’extraction des caractéristiques peut être effectuée automatiquement, y compris les caractéristiques des sections de carte routière non développées », explique le professeur Imai. . Leurs travaux ont été présentés lors de la 12e Conférence internationale conjointe sur l’informatique logicielle et les systèmes intelligents et du 23e Symposium international sur les systèmes intelligents avancés le 29 novembre 2022.

Dans leur étude, les chercheurs ont d’abord séparé la surface du sol des données du nuage de points à l’aide du logiciel CloudCompare. Ensuite, ils ont généré des données de zone à partir de la carte HD et extrait les points composants des entités. Bien que ces points aient été attribués comme panneaux routiers ou feux de circulation, d’autres étiquettes ont été fournies pour les données restantes.

Ensuite, les données de surface correspondant aux points composants ont été étendues pour générer les données d’apprentissage. En utilisant cela, les chercheurs ont ensuite généré les images de projection du nuage de points. Enfin, ils ont utilisé les données d’apprentissage pour construire le modèle d’identification à l’aide d’un algorithme de détection d’objets YOLOv3. Le modèle pourrait détecter des caractéristiques routières basées sur des points de regroupement autres que ceux identifiés pour la surface du sol à l’aide de CloudCompare.

Après avoir établi le cadre de calcul, les chercheurs ont effectué des expériences de démonstration dans la préfecture de Shizuoka sur une route avec 65 panneaux de signalisation, 46 feux de circulation et des éléments sonores sur une distance de 1,5 kilomètre. Ils ont utilisé 258 panneaux de signalisation et 168 feux de circulation pour former leur modèle d’identification et ont utilisé respectivement 36 et 24 images pour calculer la précision de détermination de l’algorithme.

Les chercheurs ont constaté que la précision, le rappel et la mesure F étaient de 0,84, 0,75 et 0,79, respectivement, pour les panneaux de signalisation et de 1,00, 0,75 et 0,86, respectivement pour les feux de circulation, indiquant zéro fausse détermination. La précision du modèle proposé s’est avérée supérieure à celle des modèles existants.

Le professeur Imai conclut en soulignant les implications futures des travaux. « Un modèle de produit construit à partir de données de nuages ​​de points permettra la réalisation d’un environnement numérique jumeau pour l’espace urbain avec des cartes routières régulièrement mises à jour. Il sera indispensable pour gérer et réduire les restrictions de circulation et les fermetures de routes lors des inspections routières. La technologie devrait réduire coûts en temps pour les personnes utilisant les routes, les villes et d’autres infrastructures dans leur vie quotidienne. »

Fourni par l’Université Hosei