Automatyczna generacja wirtualnych elementów infrastruktury kolejowej

• Autorzy: Lisiecki Paweł , Szłapczyński Maciej , Chołodowicz Ewelina

Identyfikatory

DOI

10.14313/PAR_252/119

Warianty tytułu

EN

Automatic Generation of Virtual Railway Infrastructure Elements

• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł poświęcono zagadnieniom modelowania wirtualnego świata 3D na potrzeby symulatorów kolejowych oraz problematyce tworzenia mapy. Zaproponowano algorytm wykorzystujący metody sztucznej inteligencji do wykrywania, klasyfikacji i umieszczania obiektów infrastruktury kolejowej z nagrania wideo oraz danych GPS w wirtualnym świecie 3D. Proponowane rozwiązanie, wspierające automatyczną generację wirtualnych elementów infrastruktury kolejowej, stanowi istotną nowość w obszarze badań.

EN

This article is devoted to the issues of modeling a 3D virtual world for railroad simulators and the problems of creating a map for such a simulator. An algorithm using artificial intelligence methods for detection, classification, and place railway infrastructure objects from video recordings in a 3D virtual world, as well as GPS data has been proposed. The proposed solution, supporting automatic generation of virtual elements of railway infrastructure, is a significant innovation in the field of research.

Słowa kluczowe

PL

symulator ruchu drogowego; symulator kolejowy; konwolucyjna sieć neuronowa; detekcja obiektów; generacja świata 3D; GPS; GIS; OSM

EN

traffic simulator; railway simulator; Convolutional Neural Networks; object detection; 3D world generation; GPS; GIS; OSM; OpenStreetMap

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2024
• Tom: R. 28, nr 2
• Strony: 119--124
• Opis fizyczny: Bibliogr. 21 poz., rys.

Twórcy

autor

Lisiecki Paweł

• Autocomp Management Sp. z o.o., ul. 1 Maja 36, 71-627 Szczecin

• https://orcid.org/0009-0002-0713-4434

autor

Szłapczyński Maciej

• Autocomp Management Sp. z o.o., ul. 1 Maja 36, 71-627 Szczecin

• https://orcid.org/0009-0004-8037-3460

autor

Chołodowicz Ewelina

• Szkoła Doktorska w Zachodniopomorskim Uniwersytecie Technologicznym w Szczecinie, al. Piastów 19, 70-310 Szczecin

• https://orcid.org/0000-0001-8221-4309

Bibliografia

• 1. Nguyen J., Powers S.T., Urquhart N., Farrenkopf T., Guckert M., An overview of agent-based traffic simulators, “Transportation Research Interdisciplinary Perspectives”, Vol. 12, 2021, DOI: 10.1016/J.TRIP.2021.100486.
• 2. Amara Y., Amamra A., Khemis S., Raw GIS to 3D road modeling for real-time traffic simulation, “Visual Computer”, Vol. 38, 2022, 239-256, DOI: 10.1007/S00371-020-02013-1/TABLES/4.
• 3. Khayyal H.K., Zeidan Z.M., Beshr A.A.A., Creation and Spatial Analysis of 3D City Modeling based on GIS Data, “Civil Engineering Journal”, Vol. 8, No. 1, 2022, 105-123, DOI: 10.28991/CEJ-2022-08-01-08.
• 4. Salleh S., Ujang U., Azri S., Virtual 3D Campus for Universiti Teknologi Malaysia (UTM), “ISPRS International Journal of Geo-Information”, Vol. 10, No. 6, 2021, DOI: 10.3390/ijgi10060356.
• 5. Keil J., Edler D., Schmitt T., Dickmann F., Creating Immersive Virtual Environments Based on Open Geospatial Data and Game Engines, “KN - Journal of Cartography and Geographic Information”, Vol. 71, 2021, 53-65, DOI: 10.1007/s42489-020-00069-6.
• 6. Girindran R., Boyd D.S., Rosser J., Vijayan D., Long G., Robinson D., On the Reliable Generation of 3D City Models from Open Data, “Urban Science”, Vol. 4, No. 4, 2020, DOI: 10.3390/urbansci4040047.
• 7. Yang X., Delparte D., A Procedural Modeling Approach for Ecosystem Services and Geodesign Visualization in Old Town Pocatello, Idaho, “Land”, Vol. 11, No. 8, 2022, DOI: 10.3390/LAND11081228.
• 8. Wang H., Wu Y., Han X., Xu M., Chen W., Automatic generation of large-scale 3D road networks based on GIS data, “Computers & Graphics”, Vol. 96, 2021, 71-81, DOI: 10.1016/J.CAG.2021.02.004.
• 9. Župan R., Vinković A., Nikçi R., Pinjatela B., Automatic 3D Building Model Generation from Airborne LiDAR Data and OpenStreetMap Using Procedural Modeling, “Information”, Vol. 14, No. 7, 2023, DOI: 10.3390/info14070394.
• 10. Meng Z., Du X., Sottovia P., Foroni D., Axenie C., Wieder A., Eckhoff D., Bortoli S., Knoll A., Sommer C., Topology-Preserving Simplification of OpenStreetMap Network Data for Large-scale Simulation in SUMO, “SUMO Conference Proceedings”, Vol. 3, 2022, 181-197, DOI: 10.52825/scp.v3i.111.
• 11. Jafari A., Both A., Singh D., Gunn L., Giles-Corti B., Building the road network for city-scale active transport simulation models, “Simulation Modelling Practice and Theory”, Vol. 114, 2022, DOI: 10.1016/j.simpat.2021.102398.
• 12. Tabet F., Pentyala S., Patel B.H., Hendawi A., Cao P., Song A., Govind H., Ali M., OSMRunner : A System for Exploring and Fixing OSM Connectivity, 22nd IEEE International Conference on Mobile Data Management (MDM), IEEE, 2021, 193-200, DOI: 10.1109/MDM52706.2021.00039.
• 13. Kilsedar C.E., Brovelli M.A., Multidimensional Visualization and Processing of Big Open Urban Geospatial Data on the Web, “ISPRS International Journal of Geo-Information”, Vol. 9, No. 7, 2020, DOI: 10.3390/IJGI9070434.
• 14. Badwi I.M., Ellaithy H.M., Youssef H.E., 3D-GIS Parametric Modelling for Virtual Urban Simulation Using CityEngine, “Annals of GIS”, Vol. 28, No. 3, 2022, 325-341, DOI: 10.1080/19475683.2022.2037019.
• 15. Flenniken J.M., Stuglik S., Iannone B.V., Quantum GIS (QGIS): An introduction to a free alternative to more costly GIS platforms. “EDIS”, Vol. 2020, No. 2, DOI: 10.32473/edis-fr428-2020.
• 16. Smaczyński M., Horbiński T., Creating a 3D Model of the Existing Historical Topographic Object Based on Low-Level Aerial Imagery, “KN - Journal of Cartography and Geographic Information”, Vol. 71, 2021, 33-43, DOI: 10.1007/S42489-020-00061-0/FIGURES/8.
• 17. Chołodowicz E., Lisiecki P., Lech P., Hybrid Algorithm for the Detection and Recognition of Railway Signs, 2020, 337-347, DOI: 10.1007/978-3-030-19738-4_34.
• 18. Liu W., Wang Z., Zhou B., Yang S., Gong Z., Real-time Signal Light Detection based on Yolov5 for Railway, IOP Conference Series: Earth and Environmental Science”, Vol. 769, 2021, DOI: 10.1088/1755-1315/769/4/042069.
• 19. T. Ye, X. Zhang, Y. Zhang, i J. Liu, Railway Traffic Object Detection Using Differential Feature Fusion Convolution Neural Network, “IEEE Transactions on Intelligent Transportation Systems”, Vol. 22, No. 3, 2021, 1375-1387, DOI: 10.1109/TITS.2020.2969993.
• 20. Zhang J., Xie Z., Sun J., Zou X., Wang J., A Cascaded R-CNN with Multiscale Attention and Imbalanced Samples for Traffic Sign Detection, “IEEE Access”, Vol. 8, 2020, 29742-29754, DOI: 10.1109/ACCESS.2020.2972338.
• 21. Tecław M. Szłapczyński M., Generacja terenu przestrzennego za pomocą edytora Hermes, „Pomiary Automatyka Robotyka”, R. 28, Nr 2, 2024, 113-118, DOI: 10.14313/PAR_252/113.

Uwagi

Zaprezentowane w artykule tezy oraz wyniki stanowią rezultat projektu „Innowacyjna technologia tworzenia środowiska dla różnego typu symulatorów pojazdów lądowych i wodnych”, realizowanego przez Autocomp Management w ramach Regionalnego Programu Operacyjnego Województwa Zachodniopomorskiego 2014-2020, Oś Priorytetowa 1 Gospodarka, Innowacje, Nowoczesne Technologie, Działanie 1.1 Projekty badawczo-rozwojowe przedsiębiorstw Typ projektu 2 Projekty badawczo-rozwojowe przedsiębiorstw ukierunkowane na wdrożenie wyników prac B+R w działalności gospodarczej.