Previous WorkSome of the earliest r

Previous Work
Some of the earliest research into building road maps was based on aerial images,
such as that by Tavakoli & Rosenfeld [2]. They group together edges found by an
edge detector into shapes representing buildings and roads. Hu et al. [3] find seed
pixels that were likely roads and then grew from the seeds by tracking along road
segments. Barsi & Heipke [4] trained a neural network to find intersections in images.
This is related to our work in that we also train an intersection detector, although ours
is formulated differently and works on GPS traces rather than image pixels.
Another line of research addresses the problem of refining an existing map using
GPS traces. Rogers et al. [5] use an initial map to refine the centerline of the road. In
this work, they look at perpendiculars to the refined centerline and cluster traces into
lanes. Guo et al. [6] present initial simulation work with a similar goal of finding the
centerline of the road. Our goal is to build a road map without any prior road map.
There are other efforts with the same goal. Two of these, Brüntrup et al. [7] and
Worral & Nebot [8] present simple clustering techniques for determining the location
of the road. Some of the deepest work on this problem comes from Schroedl et al. [9]
and Edelkamp & Schrodel [10]. Starting with a blank map, they first find centerlines
by clustering. Then they determine the structure of the lanes and intersections. Recent
(a) all GPS data (b) one intersection
Figure 1: GPS traces. (a) shows an overview of our GPS traces from the greater
Seattle, WA USA area. In (b) is a close-up of traces around a road intersection.
work by Cao and Krumm [11] builds a routable road network by first clarifying the
GPS traces and then clustering them into a connected graph representing the roads.
Our approach is different than the above in that we begin by finding intersections
using a detector trained on ground truth data. As far as we are aware, this represents
the first use of a trained detector to find road features from GPS data. After finding
intersections, we discover connecting edges by looking for contiguous traces going
between them. We use these connecting edges to refine the location of the detected
intersections. Before we discuss our technical approach, however, we present in the
following section the GPS data we used for our training and testing.

ผลลัพธ์ (ไทย) 1:

งานก่อนหน้านี้ของการวิจัยแรกสุดในการสร้างแผนที่ถนนเป็นไปตามภาพทางอากาศเช่นที่ Tavakoli และ Rosenfeld [2] พวกเขาจัดกลุ่มกันขอบที่พบโดยการจับขอบเป็นรูปทรงที่แสดงอาคารและถนน Hu et al. [3] พบเมล็ดพิกเซล ที่มีถนนที่มีแนวโน้มเติบโตจากเมล็ดโดยการติดตามตามถนนแล้วเซ็กเมนต์ Barsi และ Heipke [4] ฝึกอบรมเครือข่ายประสาทเพื่อหาจุดตัดในภาพนี้เกี่ยวข้องกับงานของเราที่เรายังฝึกการแยกจับ แม้ว่าเราสูตรแตกต่างกัน และทำงานบนร่องรอย GPS แทนพิกเซลของรูปภาพปัญหาของการกลั่นโดยใช้แผนที่ที่มีอยู่อยู่อีกบรรทัดหนึ่งของงานวิจัยร่องรอย GPS Al. และโรเจอร์ส [5] ใช้แผนที่เบื้องต้นการกลั่นแสกอยู่ ในงานนี้ พวกเขาดู perpendiculars centerline กลั่นและร่องรอยของคลัสเตอร์เป็นถนนหนทาง กัว et al. [6] ปัจจุบันจำลองเริ่มต้นทำงานกับเป้าหมายของการค้นหาเหมือนแสกอยู่ เป้าหมายของเราคือการ สร้างแผนที่ถนนไม่ มีแผนที่ใด ๆ ก่อนหน้านี้มีความพยายามอื่น ๆ มีเป้าหมายเดียวกัน สองเหล่านี้ Brüntrup et al. [7] และWorral และ Nebot [8] ปัจจุบันระบบคลัสเตอร์นำเสนอเทคนิคง่าย ๆ ในการกำหนดตำแหน่งของถนน บางงานรือปัญหานี้มาจาก Schroedl et al. [9]Edelkamp และ Schrodel [10] เริ่มต้น ด้วยแผนที่ว่าง พวกเขาแรกพบ centerlinesโดยคลัสเตอร์ แล้ว จะกำหนดโครงสร้างของถนนหนทางและจุดตัด ล่าสุด(ก) ทั้งหมด GPS ข้อมูล (ข) หนึ่งในสี่แยกรูปที่ 1: ร่องรอย GPS (ก) แสดงภาพรวมของร่องรอยจากยิ่ง GPS ของเราซีแอตเทิล WA สหรัฐอเมริกาพื้นที่ ใน (b) ได้อย่างใกล้ชิดของร่องรอยสถานที่สี่แยกถนนทำงาน โดยโจ และ Krumm [11] สร้างเครือข่ายถนนที่สามารถ โดยทำครั้งแรกร่องรอย GPS และ clustering เป็นกราฟเชื่อมต่อแทนถนนวิธีของเราจะแตกข้างในเราเริ่ม โดยการหาจุดตัดใช้เครื่องตรวจจับการฝึกบนพื้นความจริงข้อมูล เท่าที่เรามี นี้แทนใช้ครั้งแรกของเครื่องตรวจจับฝึกหาลักษณะถนนจากข้อมูล GPS หลังจากค้นหาแยก เราค้นพบขอบเชื่อมต่อกัน โดยมองหาร่องรอยที่อยู่ติดกันไประหว่างพวกเขา เราใช้ขอบที่เชื่อมต่อเหล่านี้เพื่อกำหนดตำแหน่งของการตรวจพบแยก ก่อนที่เราหารือเกี่ยวกับวิธีการทางเทคนิคของเรา อย่างไรก็ตาม เรานำเสนอในการต่อส่วนข้อมูล GPS ที่เราใช้สำหรับการฝึกอบรม และทดสอบ

ผลลัพธ์ (ไทย) 2:

ทำงานที่ผ่านมาบางส่วนของงานวิจัยที่เก่าแก่ที่สุดในการสร้างแผนที่ถนนอยู่บนพื้นฐานของภาพทางอากาศเช่นว่าโดยTavakoli และแจสัน [2] พวกเขาเป็นกลุ่มร่วมกันขอบพบโดยเครื่องตรวจจับขอบเป็นรูปทรงที่เป็นตัวแทนของอาคารและถนน Hu et al, [3] หาเมล็ดพิกเซลที่เป็นถนนที่มีแนวโน้มที่แล้วเพิ่มขึ้นจากเมล็ดโดยการติดตามตามถนนส่วน Barsi และ Heipke [4] การฝึกอบรมเครือข่ายประสาทที่จะหาทางแยกในภาพ. นี้จะเกี่ยวข้องกับการทำงานของเราในการที่เรายังฝึกอบรมตรวจจับแยกแม้ว่าเราเป็นสูตรที่แตกต่างกันและการทำงานในจีพีเอสมีร่องรอยมากกว่าพิกเซลภาพ. สายของการวิจัยอีก ที่อยู่ปัญหาของการปรับแต่งแผนที่ที่มีอยู่โดยใช้ร่องรอยจีพีเอส โรเจอร์สและอัล [5] ใช้แผนที่เริ่มต้นในการปรับแต่งกลางของถนน ในงานนี้พวกเขามองไปที่ perpendiculars กลางกลั่นและกลุ่มร่องรอยเข้าไปในเลน Guo et al, [6] จำลองปัจจุบันเริ่มต้นการทำงานโดยมีเป้าหมายที่คล้ายกันในการหากลางของถนน เป้าหมายของเราคือการสร้างแผนที่ถนนโดยไม่มีแผนที่ถนนใด ๆ ก่อน. มีความพยายามอื่น ๆ โดยมีเป้าหมายเดียวกัน สองคนนี้, et al, Brüntrup [7] และWorral และ Nebot [8] ปัจจุบันเทคนิคการจัดกลุ่มที่เรียบง่ายสำหรับการกำหนดสถานที่ของถนน บางส่วนของการทำงานที่ลึกที่สุดในการแก้ปัญหานี้มาจาก Schroedl et al, [9] และ Edelkamp และ Schrodel [10] เริ่มต้นด้วยแผนที่ว่างเปล่าที่พวกเขาครั้งแรกที่พบ centerlines โดยการจัดกลุ่ม แล้วพวกเขาก็ตรวจสอบโครงสร้างของถนนและทางแยก เมื่อเร็ว ๆ นี้(ก) ข้อมูลจีพีเอส (ข) หนึ่งในสี่แยกรูปที่1: ร่องรอยจีพีเอส (ก) แสดงให้เห็นภาพรวมของร่องรอยจีพีเอสของเราจากใหญ่กว่าซีแอตเทิสหรัฐอเมริกาพื้นที่ ใน (ข) เป็นที่ใกล้ชิดของร่องรอยรอบสี่แยกถนน. ทำงานโดยเฉาและ Krumm [11] สร้างเครือข่ายถนน routable เป็นครั้งแรกโดยการทำความเข้าใจร่องรอยจีพีเอสและจากนั้นการจัดกลุ่มให้เป็นกราฟที่เกี่ยวโยงกันที่เป็นตัวแทนของถนน. แนวทางของเราคือ ที่แตกต่างจากข้างต้นในการที่เราจะเริ่มต้นด้วยการหาทางแยกโดยใช้เครื่องตรวจจับการอบรมเกี่ยวกับข้อมูลความจริงพื้นดิน เท่าที่เราจะตระหนักถึงนี้เป็นครั้งแรกที่ใช้ตรวจจับการฝึกอบรมเพื่อพบคุณสมบัติถนนจากข้อมูล GPS หลังจากที่พบทางแยกที่เราค้นพบการเชื่อมต่อขอบโดยการมองหาร่องรอยที่ต่อเนื่องกันไประหว่างพวกเขา เราใช้การเชื่อมต่อขอบเหล่านี้เพื่อปรับแต่งตำแหน่งของการตรวจพบที่ทางแยก ก่อนที่เราจะหารือเกี่ยวกับวิธีการทางเทคนิคของเรา แต่เรานำเสนอในส่วนต่อไปนี้ข้อมูลGPS ที่เราใช้สำหรับการฝึกอบรมและการทดสอบของเรา