LiDAR til cykeldetektering

Abstract

Dette kandidatspeciale undersøger brugen af LiDAR til cykeldetektering i trafikken. Cykeldetektering har en bred vifte af anvendelsesområder, herunder statistik af cyklisme, trafikstyrede signalanlæg og andre anvendelser i ITS (intelligente transportsystemer). Formålet med projektet er at fastlægge antallet af cyklister og deres position, hastighed og ETA, når disse bevæger sig i grupper. Til indsamling af data er HDL-32e LiDAR anvendt. Denne er monteret på en mast og detekterer cyklister på en cykelsti, der tilkører et signalreguleret kryds i Aalborg. Indsamlet data er evalueret med programmet Pylidartracker, som er udviklet til brug i projektet. Data er analyseret ved brug af selvudviklede Python scripts. I tidsrammen for dataindsamlingen er 233 cyklister observeret ved hjælp af video. Ud fra LiDAR-data, Pylidartracker og Python scripts var det muligt at fastlægge position og beregne hastighed og ETA til et specifikt punkt, for alle 233 observerede cyklister. I ét tilfælde er to cyklister der bevæger sig meget tæt, fejldetekteret, hvilket fører til en overestimering af antallet af cyklister med 1. Det totale antal detekterede cyklister er derfor 234. Studiet har derfor opnået en overordnet præcision for cykeldetektering med LiDAR på 99.5\%. Studiet har visse begrænsninger, da det kun var muligt at opnå den opgivede præcision inden for 12 meters afstand af LiDAR. Yderligere blev dataindsamlingen foretaget under COVID-19 restriktioner, hvilket kan have påvirket både antallet af cyklister og deres indbyrdes afstand. Studiet konkluderer, at LiDAR i høj grad er i stand til at detektere individuelle cyklister inden for 12 meters afstand, men at yderligere studier er nødvendige for at bestemme cykeldetektering med LiDAR for cyklister, der bevæger sig tæt i grupper. I studiet inkluderes forslag til fremtidige studier der ville kunne håndtere begrænsningerne påpeget i dette studie.

This thesis examines the use of LiDAR for bike detection in traffic. Bike detection has a wide array of applications, including statistics of bike use, traffic adaptive signal control and other applications in ITS (Intelligent Transport Systems). The purpose of this project is to determine the capability of LiDAR in detecting cyclists travelling in close proximity in order to assess the number of cyclists, their positions and to calculate speed and ETA based on this. Data is collected using a HDL-32e LiDAR mounted on a lamppost for detection of cyclists on a bike path leading up to a signalized intersection in Aalborg, Denmark. Collected data is evaluated using the Pylidartracker program which has been specifically designed for this thesis. Data analysis is done using in-house developed Python scripts. During the timeframe of data collection, 233 cyclists were observed using a video camera. With the LiDAR-data, Pylidartracker and Python scripts, it was possible to determine the precise position and calculate speed and ETA, to a defined point, for all 233 observed cyclists. In one instance, two cyclists in very close proximity to each other led to an overestimation of the number of cyclists by 1, making the number of detected cyclists 234. The study therefore achieved an overall precision on bike detection with LiDAR of 99.5\%. This study has some limitations, as it was only possible to achieve the reported accuracy within a 12 meter range of the LiDAR. Furthermore, the data collection was done during COVID-19 restrictions, which may have affected the number of cyclists as well as their proximity to each other. This study concludes that LiDAR is highly capable of detecting individual cyclists within a range of 12 meters, but that further studies are needed to determine the capability of LiDAR in detecting cyclists travelling in close proximity in groups. This study includes proposals for designs of future studies to avoid the limitations faced in this study.

A master thesis from Aalborg University

LiDAR til cykeldetektering

[LiDAR for bike detection]