Automatické zpřesňování cyklistických navigačních grafů ze záznamů dat o projetých trasách

Abstract

V kontextu plánování cyklistických tras je kvalita povrchu jednou z nejdůležitějších vlastností cest. Tento atribut je bohužel často v používaných mapách špatně vyplněn nebo úplně chybí. V minulosti byla kvalita povrchu úspěšně modelována pomocí dat nasbíraných z vysokofrekvenčních senzorů jako je gyroskop nebo akcelerometr. Nasbírat tato data ve velkém měřítku je však problematické a práce se získanými daty je kvůli jejich velikosti komplikovaná. V této práci jsme použili data ve formě GPS měření nasbíraných dobrovolníky. Náš model založený na grafových neuronových sítích úspěšně modeloval kvalitu povrchu a dosáhl chyby RMSE v hodnotě 0.72. Tento model jsme použili k predikci kvality povrchu na cestách s nepřesnými informacemi a manuálně zkontrolovali několik výsledků. V této práci jsme ukázali, že GPS měření jsou použitelná k predikci kvality povrchu na velkém území.

Surface quality is one of the most important road attributes in the context of path planning for bicycle users. Unfortunately, this attribute is often incorrectly filled in or missing from the used map data. Many published approaches successfully used data gathered using high-frequency sensors such as gyroscopes or accelerometers to model the surface quality. However, gathering these measurements at large scale is problematic, and the resulting datasets are impractical to work with due to their size. In this thesis, we used data in the form of GPS measurements gathered by cycling volunteers. Our model based on graph neural networks successfully predicted the surface quality achieving RMSE of 0.72. We used the model to predict the surface quality of the roads and paths with inaccurate information and manually validated the results in several places. In this thesis, we showed that using GPS measurements is a viable option to model the surface quality in large areas.