تشخیص خودکار چراغ های راهنمایی و رانندگی، تقاطع خیابان ها ومیدان های شهری با استفاده از تشخیص outlier و تکنیک های طبقه بندی یادگیری عمیق بر اساس ردیابی GPS در حین رانندگی

تولید اتوماتیک شبکه‌های خیابانی، توجه جوامع تحقیقاتی و صنعتی را در حوزه‌هایی مانند تولید نقشه مسیریابی، جلب کرده است. این مقاله یک مکانیسم جدید را معرفی می‌کند که بر تشخیص خودکار عناصر خیابانی مانند چراغ های راهنمایی، تقاطع خیابان و میدان هایی که می‌توانند برای ایجاد نقشه‌های خیابانی و پر کردن آن‌ها با عوامل زیرساختی موثر در ترافیک نظیر چراغ های راهنمایی و رانندگی مورد استفاده قرار گیرد، تمرکز دارد. به منظور به حداقل رساندن الزامات سیستم و ساده‌سازی مجموعه داده از بسیاری از کاربران با کم‌ترین تاثیر برای آن‌ها، تنها رد داده‌های GPS از یک دستگاه تلفن همراه در هنگام رانندگی استفاده می‌شود. سری‌های زمانی سرعت و شتاب، از داده‌های GPS استخراج می‌شوند. یک الگوریتم تشخیص outlier (برون نهاد)، برای شناسایی مکان‌های غیرعادی رانندگی، استفاده می‌شود (که می‌تواند ناشی از عناصر زیرساختی یا شرایط ترافیکی خاص باشد). با استفاده از یادگیری عمیق، الگوهای سرعت و شتاب به طور خودکار در هر آوت‌لایر مورد تجزیه و تحلیل قرار می‌گیرند تا ویژگی‌های مربوطه را استخراج کنند که سپس در یک چراغ راهنمایی، تقاطع خیابان، ف

The automatic generation of street networks is attracting the attention of research and industry communities in areas such as routable map generation. This paper presents a novel mechanism that focuses on the automatic detection of street elements such as traffic lights, street crossings and roundabouts which could be used to generate street maps and populate them with traffic influencing infrastructural elements such as traffic lights. In order to minimize the system requirements and simplify the data collection from many users with minimal impact for them, only traces of GPS data from a mobile device while driving are used. Speed and acceleration time series are derived from the GPS data. An outlier detection algorithm is used first in order to detect abnormal driving locations (which can be due to infrastructural elements or particular traffic conditions). Using deep learning, speed and acceleration patterns are automatically analyzed at each outlier in order to extract relevant fe