Abstract The roadside Light Detection and Ranging (LiDAR) sensor can provide the high-resolution micro traffic data (HRMTD) of all road users by collecting real-time point clouds in three-dimensional (3D) space. The HRMTD collected by the roadside LiDAR provides a solution to fill the data gap under the mixed situation (both connected vehicles and unconnected vehicles exist on the roads) for connected vehicle technologies. Lane identification is important information in HRMTD. The current lane identification algorithms are mainly developed for autonomous vehicles, which could not be directly used to process roadside LiDAR data. This article provides an innovative algorithm to automatically identify traffic lanes for the roadside LiDAR data. The proposed lane identification algorithm includes five major steps: background filtering, point clustering, object classification, frame aggregation, and traversal search. The parameters used in the algorithm are selected by balancing the time cost and the accuracy. With the GPS information, the location of the lane can be transferred into the GoogleEarth and be compared with the location of the lane in real world. The testing results showed that the average distance error (ADE) compared to the real location in Google Earth was less than 0.1 m. This robust lane identification can release engineers from the manual lane identification task and avoid any error caused by manual work. The extracted lane locations can be used for researchers and practitioners to locate the vehicles precisely in different applications.

中文翻译：

---

一种用于路边光检测测距传感器的自动车道识别方法

摘要 路边光探测与测距（LiDAR）传感器通过采集三维（3D）空间的实时点云，提供所有道路使用者的高分辨率微交通数据（HRMTD）。路边激光雷达采集的HRMTD为车联网技术提供了一种解决混合情况下（道路上存在联网车辆和未联网车辆）数据空白的解决方案。车道标识是 HRMTD 中的重要信息。目前的车道识别算法主要是为自动驾驶汽车开发的，不能直接用于处理路边激光雷达数据。本文提供了一种创新算法来自动识别路边激光雷达数据的车道。提出的车道识别算法包括五个主要步骤：背景过滤、点聚类、对象分类、帧聚合和遍历搜索。算法中使用的参数是通过平衡时间成本和准确性来选择的。通过 GPS 信息，可以将车道的位置传输到 GoogleEarth 中，并与现实世界中的车道位置进行比较。测试结果表明，与 Google Earth 中的真实位置相比，平均距离误差 (ADE) 小于 0.1 m。这种强大的车道识别可以将工程师从手动车道识别任务中解放出来，避免手动工作造成的任何错误。提取的车道位置可用于研究人员和从业人员在不同应用中精确定位车辆。算法中使用的参数是通过平衡时间成本和准确性来选择的。通过 GPS 信息，可以将车道的位置传输到 GoogleEarth 中，并与现实世界中的车道位置进行比较。测试结果表明，与 Google Earth 中的真实位置相比，平均距离误差 (ADE) 小于 0.1 m。这种强大的车道识别可以将工程师从手动车道识别任务中解放出来，避免手动工作造成的任何错误。提取的车道位置可用于研究人员和从业人员在不同应用中精确定位车辆。算法中使用的参数是通过平衡时间成本和准确性来选择的。通过 GPS 信息，可以将车道的位置传输到 GoogleEarth 中，并与现实世界中的车道位置进行比较。测试结果表明，与 Google Earth 中的真实位置相比，平均距离误差 (ADE) 小于 0.1 m。这种强大的车道识别可以将工程师从手动车道识别任务中解放出来，避免手动工作造成的任何错误。提取的车道位置可用于研究人员和从业人员在不同应用中精确定位车辆。测试结果表明，与 Google Earth 中的真实位置相比，平均距离误差 (ADE) 小于 0.1 m。这种强大的车道识别可以将工程师从手动车道识别任务中解放出来，避免手动工作造成的任何错误。提取的车道位置可用于研究人员和从业人员在不同应用中精确定位车辆。测试结果表明，与 Google Earth 中的真实位置相比，平均距离误差 (ADE) 小于 0.1 m。这种强大的车道识别可以将工程师从手动车道识别任务中解放出来，避免手动工作造成的任何错误。提取的车道位置可用于研究人员和从业人员在不同应用中精确定位车辆。