Mobiilse laserskaneerimise kasutamine liiklusmärkide asukoha täpsustamiseks Eesti teeregistris

Käesoleva lõputöö eesmärk oli luua prototüüplahendus, mis leiaks mobiilse laserskaneerimise punktipilvest liiklusmärkide asukohad ning seostaks leitud liiklusmärgid Eesti teeregistri andmetega. Eesmärgi täitmiseks võeti kasutusele masinõppet kasutav puktipilvede klassifitseerimise rakendus OpenPointClass, valideeriti masinõppe mudeli tööd neile tundmatutel andmetel. Klassifitseeriti mudelile tuntud ning tundmatud punktipilve andmed ja leiti klassifitseeritud punktipilvede segmenteerimise teel liiklusmärkide asukohad. Lõputöö tulemusel valminud esmane masinõpe mudel suutis testlõikudel tuvastada 68% laserskaneerimise alasse jäänud liiklusmärkidest ning määrata nende asukoha valdavalt rahuldava täpsusega. Leitud märkide asukoht jäi valdavalt ± 1 m piirese. Lõputöö tulemusel valminud liiklusmärkide tuvastamise mudel vajab testimist suuremate andmehulkade peal ning mudelit tuleb täiendavalt treenida, kasutades juhendatud õppe põhimõtet. Leitud liiklusmärkide asukohtade viimiseks teeregistrisse kandmiseks sobilikule kujule loodi töö raames geoinfosüsteem. Loodud geoinfosüsteemi abil teostati leitud liiklusmärkide asukohtade projitseerimine teeosa teljele ning sammuti seoti leitud liiklusmärkide asukohad tervikteega. Asukohtade põhjal loodi näitlik tabel, mille saab edastada teeregistri haldurile või siis andmeandjale edasiseks registri täiendamiseks.

SUMMARY The following thesis Using Mobile Laser Scanning to Improve the Location of Road Signs in the Estonian Road Registry investigates the potential of mobile laser scanning (MLS) technology and machine learning to improve the accuracy of traffic sign location data in the Estonian Road Registry. The study begins with an analysis of the Estonian Road Registry, emphasizing the existing limitations in accuracy and completeness of traffic sign data. The insufficiency of registry data is identified as a significant obstacle in mobility and traffic management tasks, highlighting the need for more precise and reliable data. The principles of MLS and LIDAR technology are explained. MLS is presented as a fast and flexible method for creating detailed 3D point clouds of roadside objects, including traffic signs. The thesis emphasizes the role of software and machine learning in processing the large amounts of data generated by MLS. Two machine learning algorithms are used to classify and process point cloud data: Random Forest (RF) and Gradient Boosted Decision Trees (GBDT). The study also involves critical point cloud processing algorithms, such as the Cloth Simulation Filter (CSF) and the Connected Components Labeling Algorithm (LCC), which are essential for isolating and detecting traffic signs in the data. The methodology section describes the MLS devices used, the data collection process, and the approach to trajectory processing. This part provides an overview of the integration of LIDAR data with trajectory information, a necessary step in creating accurate point clouds. The results of the study show that the developed machine learning model is able to successfully identify a significant portion of traffic signs from MLS data. However, problems are noted in the precision of classification, especially for signs not optimally represented in the point cloud. The work concludes with a critical analysis of the machine learning process, emphasizing the need for additional training and refinement of the model to improve accuracy. Potential improvements and further research directions for better integration of traffic sign location data into the Estonian Road Registry are also presented.