Road roughness is a very important road condition for the infrastructure, as the roughness affects both the safety and ride comfort of passengers. The roads deteriorate over time which means the road roughness must be continuously monitored in order to have an accurate understand of the condition of the road infrastructure. In this paper, we propose a machine learning pipeline for road roughness prediction using the vertical acceleration of the car and the car speed. We compared well-known supervised machine learning models such as linear regression, naive Bayes, k-nearest neighbor, random forest, support vector machine, and the multi-layer perceptron neural network. The models are trained on an optimally selected set of features computed in the temporal and statistical domain. The results demonstrate that machine learning methods can accurately predict road roughness, using the recordings of the cost approachable in-vehicle sensors installed in conventional passenger cars. Our findings demonstrate that the technology is well suited to meet future pavement condition monitoring, by enabling continuous monitoring of a wide road network.
我们提出了一个机器学习方法来估计二阶导数的可驾驶表面，其粗糙度。机器人感知一般集中在一阶导数，障碍物检测。然而，二阶导数也很重要，因为它与车辆经历的冲击有直接关系（与速度有关）。知道二阶导数允许车辆在崎岖地形之前减速。由于不确定性，估计二阶导数具有挑战性。例如，在距离上，激光读数可能非常稀疏，以至于丢失了关于表面的重要信息。此外，在投射激光读数时需要高精度。由于姿态估计中的延迟或误差，该精度可能不可用。我们将这些误差源建模为多元多项式。它的系数是通过使用冲击数据作为基础事实来学习的--加速度计被用来训练激光器。由此产生的分类器操作的3D点云所描述的道路表面上的各个激光读数。分类器识别二阶导数可能较大的路段。因此，车辆可以提前减速，减少它所经历的冲击。该算法是我们在2005年DARPA Grand Challenge中使用的算法的演变。我们用那条路线的数据分析它。
An Experiment on Measurement of Pavement Roughness via Android-Based Smartphones
Thammasat University（泰国国立法政大学）；Bureau of Highways Maintenance Management, Department of Highways, Ministry of Transportation, Royal Thai Government（泰国皇家政府交通部公路局公路养护管理处）
Sensing and Mapping for Better Roads: Initial Plan for Using Federated Learning and Implementing a Digital Twin to Identify the Road Conditions in a Developing Country -- Sri Lanka
Rensselaer Polytechnic Institute（伦斯勒理工学院）；University of Moratuwa（莫拉图瓦大学）
Travel Time Estimation without Road Networks: An Urban Morphological Layout Representation Approach
Ohio State University（俄亥俄州立大学）；University of California, Berkeley（加州大学伯克利分校）；Wisense AI（Wisense人工智能公司）
行程时间估计不仅是个人行程规划的重要任务，也是城市规划的重要任务。以前的方法侧重于对路段或子路径进行建模，然后总结最终预测，最近已被具有端到端训练的深度神经模型所取代。通常，这些方法是基于显式的特征表示，包括时空特征，交通状态等，在这里，我们认为，当地的交通状况是密切联系在一起的土地使用和建成环境，即，地铁站、主干道、交叉口、商业区、居民区等，但这种关系是时变的，过于复杂，无法明确有效地建模。因此，本文提出了一种端到端的多任务深度神经模型，名为Deep Image to Time（DeepI2T），主要从构建的环境图像中学习旅行时间，也就是说，形态布局图像，并在两个城市的真实世界数据集上展示新的最先进的性能。此外，我们的模型旨在解决路径感知和路径盲的情况下，在测试阶段。这项工作开辟了新的机会，使用公开的形态布局图像作为大量的信息，在多个地理相关的智慧城市应用。
PD-SOVNet: A Physics-Driven Second-Order Vibration Operator Network for Estimating Wheel Polygonal Roughness from Axle-Box Vibrations
School of Ocean Engineering, Harbin Institute of Technology（哈尔滨工业大学海洋工程学院）；Technical Center, Bogie Development Department, CRRC Qingdao Sifang Locomotive and Rolling Stock Co., Ltd（中车青岛四方机车车辆股份有限公司转向架开发部技术中心）
Coherent Online Road Topology Estimation and Reasoning with Standard-Definition Maps
CARIAD SE and the Technical University Munich（CARIAD SE 和慕尼黑技术大学）；Technical University Munich（慕尼黑技术大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；Center for Robotics, University of Bonn（波恩大学机器人中心）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
Surface Type Estimation from GPS Tracked Bicycle Activities
Donald Bren School of Information and Computer Science, University of California, Irvine（加州大学欧文分校唐纳德·布伦信息与计算机科学学院）；School of Medicine, University of California, Irvine（加州大学欧文分校医学院）；PES University（PES大学）
