Digital road maps are clearly impor

Digital road maps are clearly important for both consumers and businesses. At
present, these maps are created by companies fielding fleets of specialized vehicles
equipped with GPS to drive the roads and record data. This is an expensive process,
and it is difficult to keep up with changes in the road network. An emerging
alternative is to use GPS data from regular vehicles driving their regular routes. This
has the advantage of easily scaling to the entire road network and providing much
more up-to-date data whenever roads change.
The challenge of this technique is how to process all the data into a road map. The
OpenStreetMap [1] project provides one model where volunteers manually edit GPS
traces and aerial images into digital maps. While OpenStreetMap moves away from
the use of specialized vehicles, we would like to eliminate the manual step. In this
paper, we show how to automate one important aspect of this processing: finding road
intersections. We test our process on a large amount of GPS data we gathered from
vehicles that were already driving in our metropolitan area. This data is shown in
Figure 1(a).
GIScience 2010, Sixth International Conference on Geographic Information Science, Zurich, 14-17th September, 2010
Our algorithm detects intersections in the GPS data, an example of which is shown
in Figure 1(b). It begins by using a shape descriptor trained on positive and negative
examples of intersections. Next it connects the intersections by finding vehicle traces
that move between them. Finally, the algorithm refines the locations of the
intersections based on the GPS data associated with the nearby roads. We evaluate
our algorithm by comparing it to a known road network. Specifically, we evaluate it
in terms of its ability to find intersections, the accuracy of the intersections’ computed
locations, and the accuracy of the lengths of the roads between the intersections.

ผลลัพธ์ (ไทย) 1:

แผนที่ถนนดิจิทัลมีความสำคัญอย่างชัดเจนสำหรับผู้บริโภคและธุรกิจ ที่ปัจจุบัน แผนที่เหล่านี้จะถูกสร้างขึ้น โดยบริษัท fielding fleets ยานพาหนะเฉพาะพร้อม GPS ขับถนนและบันทึกข้อมูล นี้เป็นกระบวนการมีราคาแพงและเป็นการยากที่จะติดตามการเปลี่ยนแปลงในเครือข่ายถนน การเกิดใหม่ทางเลือกคือการ ใช้ข้อมูล GPS จากรถปกติขับรถเส้นทางปกติของพวกเขา นี้มีประโยชน์จากการปรับเครือข่ายถนนทั้งหมดได้อย่างง่ายดาย และให้มากปรับปรุงข้อมูลเมื่อเปลี่ยนถนนความท้าทายของเทคนิคนี้คือ วิธีการประมวลผลข้อมูลทั้งหมดลงในแผนที่ถนน ที่รูปแบบหนึ่งซึ่งอาสาสมัครด้วยตนเองแก้ไข GPS ช่วยให้โครงการ OpenStreetMap [1]ร่องรอยและภาพทางอากาศเป็นแผนที่ดิจิตอล ในขณะที่ OpenStreetMap ย้ายหนีการใช้ยานพาหนะพิเศษ เราอยากจะลดขั้นตอนด้วยตนเอง ในที่นี้กระดาษ เราแสดงวิธีทำแง่มุมสำคัญหนึ่งของการประมวลผล: ค้นหาถนนแยก กระบวนการของเราในจำนวนมากของข้อมูล GPS เรารวบรวมจากทดสอบยานพาหนะที่ได้ขับรถแล้วในนครของเรา ข้อมูลนี้จะแสดงในรูป 1(a)GIScience 2010 หกประชุมนานาชาติทางภูมิศาสตร์ข้อมูลวิทยาศาสตร์ ซูริค 14-17 กันยายน 2010อัลกอริทึมของเราตรวจพบแยกข้อมูลจีพีเอส แสดงตัวอย่างที่ในรูป 1(b) เริ่มโดยบอกรูปทรงที่เป็นบวก และลบในการฝึกอบรมตัวอย่างของจุดตัด ต่อไป จะเชื่อมต่อแยกตามค้นหาร่องรอยรถการย้ายระหว่างพวกเขา ในที่สุด อัลกอริทึมบรรยากาศสถานที่ของการแยกตามข้อมูล GPS ที่เกี่ยวข้องกับถนนใกล้เคียง เราประเมินของอัลกอริทึม โดยเปรียบเทียบกับเครือข่ายถนนชื่อดัง โดยเฉพาะ ที่เราประเมินในแง่ของความสามารถในการหาจุดตัด ความถูกต้องของการแยกคำนวณสถาน และความถูกต้องของความยาวของถนนระหว่างแยก

ผลลัพธ์ (ไทย) 2:

แผนที่ถนนดิจิตอลอย่างชัดเจนที่สำคัญสำหรับทั้งผู้บริโภคและธุรกิจ ในปัจจุบันแผนที่เหล่านี้ถูกสร้างขึ้นโดย บริษัท ฟีลดิงฟลีตส์ของยานพาหนะเฉพาะการติดตั้งจีพีเอสที่จะขับรถถนนและข้อมูลที่บันทึก นี้เป็นกระบวนการที่มีราคาแพงและเป็นเรื่องยากที่จะให้ทันกับการเปลี่ยนแปลงในเครือข่ายถนน ที่เกิดขึ้นใหม่อีกทางเลือกหนึ่งคือการใช้ข้อมูล GPS จากยานพาหนะปกติขับรถเส้นทางปกติของพวกเขา นี้มีความได้เปรียบอย่างง่ายดายปรับไปยังเครือข่ายถนนทั้งหมดและให้มากขึ้นไปวันที่ข้อมูลเมื่อใดก็ตามที่เปลี่ยนถนน. ความท้าทายของเทคนิคนี้คือวิธีการประมวลผลข้อมูลทั้งหมดลงในแผนที่ถนน OpenStreetMap [1] โครงการให้เป็นหนึ่งในรูปแบบที่เป็นอาสาสมัครด้วยตนเองแก้ไขจีพีเอสร่องรอยและภาพทางอากาศลงไปในแผนที่ดิจิตอล ในขณะที่ OpenStreetMap ย้ายออกไปจากการใช้ยานพาหนะพิเศษที่เราต้องการที่จะขจัดขั้นตอนคู่มือ ในการนี้กระดาษที่เราจะแสดงวิธีการทำให้ด้านหนึ่งที่สำคัญของการประมวลผลนี้: การหาถนนทางแยก เราจะทดสอบกระบวนการของเราในจำนวนมากของข้อมูลจีพีเอสที่เรารวบรวมจากยานพาหนะที่มีอยู่แล้วขับรถในเขตเมืองของเรา ข้อมูลนี้จะถูกแสดงในรูปที่ 1 (ก). GIScience 2010 หกประชุมนานาชาติเกี่ยวกับสารสนเทศภูมิศาสตร์วิทยาศาสตร์ซูริก 14-17th กันยายน 2010 อัลกอริทึมของเราตรวจพบทางแยกในข้อมูลจีพีเอสเป็นตัวอย่างที่แสดงให้เห็นในรูปที่ 1 (ข ) มันเริ่มต้นด้วยการใช้อธิบายรูปร่างการฝึกอบรมในเชิงบวกและลบตัวอย่างของทางแยก ถัดไปจะเชื่อมต่อแยกโดยการหาร่องรอยของยานพาหนะที่ย้ายไปมาระหว่างพวกเขา ในที่สุดขั้นตอนวิธีการกลั่นสถานที่ของทางแยกบนพื้นฐานของข้อมูลจีพีเอสที่เกี่ยวข้องกับถนนที่อยู่ใกล้เคียง เราจะประเมินขั้นตอนวิธีการของเราโดยการเปรียบเทียบกับเครือข่ายถนนที่รู้จักกัน โดยเฉพาะเราประเมินว่าในแง่ของความสามารถในการที่จะหาทางแยก, ความถูกต้องของทางแยก 'คำนวณสถานที่และความถูกต้องของความยาวของถนนระหว่างทางแยกที่