論文の概要: An Open-Source Tool for Reproducible Freeway Network Extraction from OpenStreetMap
- arxiv url: http://arxiv.org/abs/2606.31857v1
- Date: Tue, 30 Jun 2026 15:53:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.292954
- Title: An Open-Source Tool for Reproducible Freeway Network Extraction from OpenStreetMap
- Title（参考訳）: OpenStreetMapからの再生可能な高速道路網抽出のためのオープンソースツール
- Abstract要約: 本稿では,OpenStreetMap (OSM) から高速道路網を抽出するオープンソースツールを提案する。
下流の高速道路シミュレーションに適した駅参照表現に変換する。
このツールはOSMのデータクリーニングと変換だけでなく、実際に必要とされるより広範なワークフローもサポートする。
- 参考スコア（独自算出の注目度）: 5.009906265298611
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Freeway simulation is often difficult to deploy at scale not only because of model formulation, but because preparing road network inputs remains a manual, corridor-specific, and difficult-to-reproduce task. This paper presents an open-source tool that extracts freeway networks from OpenStreetMap (OSM) and converts them into a compact, station-referenced representation suitable for downstream freeway simulation. Unlike existing tools that primarily support arterial or general network conversion tasks, the proposed workflow is designed around the specific requirements of freeway traffic studies. The tool supports not only OSM data cleaning and conversion, but also the broader workflow required in practice: corridor-specific querying, visual inspection of extracted segments, extraction validation against OSM, and source-data validation against aerial imagery. A locally hosted frontend allows users to define corridor-specific queries, select endpoints visually, and inspect extracted segments. The extraction logic is designed to address several recurring challenges in freeway OSM data, including inconsistent route references, ambiguous path selection through interchanges, managed-lane interference, incomplete corridor capture from naive bounding-box queries, and inconsistent ramp classifications. The workflow was first tested on two prototype corridors, where the extract-first-then-validate approach proposed here required roughly one-third the analyst effort of manual ramp encoding from scratch. It was then deployed across 359.6 miles of freeway in Orange County, California, with total processing and validation averaging about 41 seconds per mile. This deployment also suggests that, in a well-mapped region, OSM is sufficiently accurate for many freeway traffic studies. Overall, the tool provides a more scalable and reproducible foundation for freeway network preparation.
- Abstract（参考訳）: 高速道路のシミュレーションは, モデル定式化だけでなく, 道路網の入力の準備も手作業であり, 廊下に特有であり, 再現が難しいため, 大規模展開が困難な場合が多い。
本稿では,OpenStreetMap (OSM) から高速道路ネットワークを抽出し,下流の高速道路シミュレーションに適したコンパクトな駅参照表現に変換するオープンソースツールを提案する。
動脈あるいは一般的なネットワーク変換タスクを主にサポートする既存のツールとは異なり、提案するワークフローは高速道路交通研究の特定の要件に基づいて設計されている。
このツールはOSMデータクリーニングと変換だけでなく、廊下固有のクエリ、抽出されたセグメントの視覚検査、OSMに対する抽出バリデーション、航空画像に対するソースデータバリデーションなど、実際に必要とされる幅広いワークフローもサポートする。
ローカルにホストされたフロントエンドでは、ユーザーは廊下固有のクエリを定義し、エンドポイントを視覚的に選択し、抽出されたセグメントを検査することができる。
抽出ロジックは、ルート参照の不整合、インターチェンジ経由のあいまいな経路選択、管理車線干渉、ネイティブなバウンディングボックスクエリからの不完全廊下キャプチャ、一貫性のないランプ分類など、フリーウェイOSMデータにおいて繰り返し発生する問題に対処するために設計されている。
このワークフローは、2つのプロトタイプの廊下で最初にテストされ、ここで提案された抽出第一値のアプローチでは、スクラッチから手動のランプエンコーディングのおよそ3分の1が必要だった。
その後、カリフォルニア州オレンジ郡の359.6マイルの高速道路に配備され、総処理量と検証時間は1マイルあたり41秒であった。
この展開は、うまくマッピングされた地域では、多くの高速道路交通研究においてOSMが十分正確であることを示唆している。
全体として、このツールはよりスケーラブルで再現可能なフリーウェイネットワークの準備基盤を提供する。
関連論文リスト
- DiffMM: Efficient Method for Accurate Noisy and Sparse Trajectory Map Matching via One Step Diffusion [7.910040077410762]
本稿では,エンコーダ拡散に基づくマップマッチングフレームワークであるDiffMMを提案する。
大規模軌跡データセットについて広範な実験を行った。
提案手法は精度と効率の両面で最先端の地図マッチング手法より一貫して優れている。
論文 参考訳（メタデータ） (2026-01-13T12:14:57Z) - Rewiring Experts on the Fly:Continuous Rerouting for Better Online Adaptation in Mixture-of-Expert models [52.502867924372275]
Mixture-of-Experts (MoE)モデルは、スパース専門家のアクティベーションを通じて効率的なスケーリングを実現するが、デプロイメントの分散シフトによる最適以下のルーティング決定に悩まされることが多い。
我々は、外部の監視やデータなしで、テキスト生成中にMoEルーティング決定を継続的に適用するテキストタデータフリーオンラインテストタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-16T16:24:36Z) - Zero-Shot Cellular Trajectory Map Matching [16.536993636893804]
ゼロショットCTMMのための画素ベーストラジェクトリキャリブレーションアシスタントを提案する。
ゼロショットCTMMの既存手法を16.8%向上させる。
論文 参考訳（メタデータ） (2025-08-08T19:47:45Z) - Path Planning using a One-shot-sampling Skeleton Map [0.0]
本稿では,処理時間内に安全な経路を見つけるための効率的な経路計画手法を提案する。
この手法は、U-Netアーキテクチャに基づくDeep Denoising Auto-Encoderを利用して、ナビゲーションマップのスケルトン化されたバージョンを計算する。
SkelUnetネットワークは、ワンショットサンプリングによるワークスペース全体の探索を容易にする。
論文 参考訳（メタデータ） (2025-07-03T05:38:26Z) - Sketch and Refine: Towards Fast and Accurate Lane Detection [69.63287721343907]
レーン検出は、現実世界のシナリオの複雑さのため、困難なタスクである。
提案ベースであれキーポイントベースであれ,既存のアプローチでは,車線を効果的かつ効率的に表現することができない。
本稿では,キーポイント法と提案法の両方のメリットを活かした"Sketch-and-Refine"パラダイムを提案する。
実験の結果、我々のSRLaneは高速(278 FPS)で走ることができ、F1スコアは78.9%であることがわかった。
論文 参考訳（メタデータ） (2024-01-26T09:28:14Z) - TopoMask: Instance-Mask-Based Formulation for the Road Topology Problem
via Transformer-Based Architecture [4.970364068620607]
道路トポロジにおける中心線予測のためのTopoMaskを紹介する。
TopoMaskはOpenLane-V2スコア(OLS)で4位、OpenLane Topology Challenge 2023ではF1スコアで2位にランクインしている。
論文 参考訳（メタデータ） (2023-06-08T17:58:57Z) - Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
車線検出は自動運転における中核機能の一つである。
既存のほとんどの手法はCNNベースの手法に頼っている。
本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
論文 参考訳（メタデータ） (2022-03-08T13:25:35Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Key Points Estimation and Point Instance Segmentation Approach for Lane
Detection [65.37887088194022]
本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。
PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。
PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
論文 参考訳（メタデータ） (2020-02-16T15:51:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。