PAVEsense - IRI Correlation - Revision history

Thomas: English source text for translation

2026-10-14T12:07:28Z

English source text for translation

← Older revision		Revision as of 12:07, 14 October 2026
Line 8:		Line 8:

	<!--T:3-->		<!--T:3-->
	The ASAsense eIRI values are calculated from the road profile measured with the accelerometer in the sensor box. We combine the measurements of the different passes and take the '''average''' eIRI of all passes that meet the [[~~PaveSense~~/en#Convergentie\|convergence criterion]].		The ASAsense eIRI values are calculated from the road profile measured with the accelerometer in the sensor box. We combine the measurements of the different passes and take the '''average''' eIRI of all passes that meet the [[PAVEsense/en#Convergentie\|convergence criterion]].

	==== Comparison with reference measurements in the Port of Antwerp ==== <!--T:4-->		==== Comparison with reference measurements in the Port of Antwerp ==== <!--T:4-->

Thomas: Thomas moved page Roads AI - IRI Correlation to PAVEsense - IRI Correlation: Rename Roads AI to PAVEsense

2026-10-14T11:47:20Z

Thomas moved page Roads AI - IRI Correlation to PAVEsense - IRI Correlation: Rename Roads AI to PAVEsense

← Older revision		Revision as of 11:47, 14 October 2026
(No difference)

Thomas: Marked this version for translation

2026-10-14T10:23:22Z

Marked this version for translation

← Older revision		Revision as of 10:23, 14 October 2026
Line 1:		Line 1:
	<languages/>		<languages/>
	<translate>		<translate>
			<!--T:1-->
	[[File:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|thumb\|eIRI ASAsense vs IRI reference]]		[[File:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|thumb\|eIRI ASAsense vs IRI reference]]

			<!--T:2-->
	''Valid from PAVEsense version 8 (November 2024)''		''Valid from PAVEsense version 8 (November 2024)''

			<!--T:3-->
	The ASAsense eIRI values are calculated from the road profile measured with the accelerometer in the sensor box. We combine the measurements of the different passes and take the '''average''' eIRI of all passes that meet the [[PaveSense/en#Convergentie\|convergence criterion]].		The ASAsense eIRI values are calculated from the road profile measured with the accelerometer in the sensor box. We combine the measurements of the different passes and take the '''average''' eIRI of all passes that meet the [[PaveSense/en#Convergentie\|convergence criterion]].

	==== Comparison with reference measurements in the Port of Antwerp ====		==== Comparison with reference measurements in the Port of Antwerp ==== <!--T:4-->

			<!--T:5-->
	The correlation was made using reference data that we kindly received from the Port of Antwerp. After applying some corrections for GPS drift, we observe a correlation (R² factor) of 70%. Given that we measure after the damping of the vehicle and across several passes, whereas the reference data is recorded once and always along one side of the vehicle, we consider this a good correlation factor. More important, however, is the effect on the analysis. There is a very good similarity between the reference data and the ASAsense data: the worse roads in the reference data also come out as bad in the ASAsense data, and the good ones as good.		The correlation was made using reference data that we kindly received from the Port of Antwerp. After applying some corrections for GPS drift, we observe a correlation (R² factor) of 70%. Given that we measure after the damping of the vehicle and across several passes, whereas the reference data is recorded once and always along one side of the vehicle, we consider this a good correlation factor. More important, however, is the effect on the analysis. There is a very good similarity between the reference data and the ASAsense data: the worse roads in the reference data also come out as bad in the ASAsense data, and the good ones as good.

			<!--T:6-->
	[[File:Distributie eIRI vs referentie.png\|thumb\|eIRI ASAsense compared with the PoA distribution]]		[[File:Distributie eIRI vs referentie.png\|thumb\|eIRI ASAsense compared with the PoA distribution]]

			<!--T:7-->
	When we look at the overall distribution of the data, we also see a very strong agreement.		When we look at the overall distribution of the data, we also see a very strong agreement.

			<!--T:8-->
	Below we have also compared the "driving quality" indicator with the reference measurements. We analyse this with a "confusion matrix", a standard approach for classification problems. Quality is mainly predicted in neighbouring quality labels, as the confusion matrix shows. For example, of the roads whose true label is "very good", 96% are predicted as "good" or "very good".		Below we have also compared the "driving quality" indicator with the reference measurements. We analyse this with a "confusion matrix", a standard approach for classification problems. Quality is mainly predicted in neighbouring quality labels, as the confusion matrix shows. For example, of the roads whose true label is "very good", 96% are predicted as "good" or "very good".

	==== Development ====		==== Development ==== <!--T:9-->

	===== PAVEsense version 8 =====		===== PAVEsense version 8 ===== <!--T:10-->

			<!--T:11-->
	The alignment of the measured data was improved. As a result, peaks now coincide better at the correct location. This makes averaging over different passes a more effective way to obtain the final result. Moreover, it is a simpler method and also works when there are few passes over the same location. The following table shows the R² of the new version compared with the previous one. We also see that the prediction of ''Driving Quality'' has improved significantly compared with the previous version. The table was created with the same data for v7 and v8, which makes comparison possible.		The alignment of the measured data was improved. As a result, peaks now coincide better at the correct location. This makes averaging over different passes a more effective way to obtain the final result. Moreover, it is a simpler method and also works when there are few passes over the same location. The following table shows the R² of the new version compared with the previous one. We also see that the prediction of ''Driving Quality'' has improved significantly compared with the previous version. The table was created with the same data for v7 and v8, which makes comparison possible.

			<!--T:12-->
	{\| class="wikitable"		{\| class="wikitable"
	! eIRI version		! eIRI version
Line 34:		Line 43:
	\|}		\|}

			<!--T:13-->
	[[File:Driving quality confusion matrix.png\|thumb\|eIRI driving quality confusion matrix, normalised on the true label]]		[[File:Driving quality confusion matrix.png\|thumb\|eIRI driving quality confusion matrix, normalised on the true label]]

	===== PAVEsense version 7 and earlier =====		===== PAVEsense version 7 and earlier ===== <!--T:14-->

			<!--T:15-->
	In PAVEsense v7 and earlier, the 85<sup>th</sup> percentile was used to combine different passes into one measurement. This version under-reported the measured eIRI, so many roads ended up in a better category than in reality.		In PAVEsense v7 and earlier, the 85<sup>th</sup> percentile was used to combine different passes into one measurement. This version under-reported the measured eIRI, so many roads ended up in a better category than in reality.

			<!--T:16-->
	[[File:PAVEsense v7 driving quality confusion matrix.png\|thumb\|PAVEsense v7 (older software) driving quality confusion matrix, normalised on the true label]]		[[File:PAVEsense v7 driving quality confusion matrix.png\|thumb\|PAVEsense v7 (older software) driving quality confusion matrix, normalised on the true label]]
	</translate>		</translate>

Thomas: English source text for translation

2026-10-14T10:23:22Z

English source text for translation

← Older revision		Revision as of 10:23, 14 October 2026
Line 1:		Line 1:
	~~{{DISPLAYTITLE:PAVEsense eIRI correlatie met referentie metingen}}~~		<languages/>
			<translate>
	[[File:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|thumb\|eIRI ASAsense vs IRI reference]]		[[File:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|thumb\|eIRI ASAsense vs IRI reference]]
	~~''Geldig vanaf PAVEsense versie 8 (november 2024)''~~

	De eIRI-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij het ''~~'gemiddelde'~~'' ~~van de eIRI (over de geselecteerde passages) van alle passages die voldoen aan het [[Roads AI#Convergentie\|convergentiecriterium]].~~		''Valid from PAVEsense version 8 (November 2024)''

	~~==== Vergelijking met referentie metingen in de haven van Antwerpen ====~~		The ASAsense eIRI values are calculated from the road profile measured with the accelerometer in the sensor box. We combine the measurements of the different passes and take the '''average''' eIRI of all passes that meet the [[PaveSense/en#Convergentie\|convergence criterion]].
	De correlatie werd gedaan met behulp van referentiedata die we van de haven van Antwerpen mochten ontvangen. Met behulp van enkele correcties voor de GPS-drift merken we een correlatie (R² factor) van 70% op. Gezien het feit dat we meten na de demping van de wagen, over verschillende passages heen, terwijl de referentiedata eenmalig wordt opgemaakt en telkens langs één zijde van de wagen, beschouwen we dit als een goede correlatiefactor. Belangrijker nog is echter wat het effect is op de analyse. Er is een zeer goede gelijkenis tussen de referentiedata en de ASAsense ~~data. De slechtere wegen~~ in ~~de referentiedata komen ook in de ASAsense data terug als slecht, de goede als goede~~.
	[[~~File:Distributie eIRI vs referentie.png\|thumb~~\|~~eIRI ASAsense t.o.v. PoA distributie~~]]
	~~Als we de totale distributie van de data bekijken zien we ook een zeer sterke overeenkomst~~.

	We hebben hieronder de “driving quality” indicator ook vergeleken met de referentie metingen, dit analyseren we met een “confusion matrix”, wat een standaard aanpak is voor classificatie problemen. De kwaliteit wordt voornamelijk voorspeld in ~~naburige kwaliteitslabels, wat zichtbaar is in de confusion matrix. Bijvoorbeeld, de wegen die “zeer goed” zijn als echt label, daarvan wordt 96% voorspeld als “goed”~~ of ~~“zeer goed”.~~		==== Comparison with reference measurements in the Port of Antwerp ====

	==== ~~Ontwikkeling~~ ====		The correlation was made using reference data that we kindly received from the Port of Antwerp. After applying some corrections for GPS drift, we observe a correlation (R² factor) of 70%. Given that we measure after the damping of the vehicle and across several passes, whereas the reference data is recorded once and always along one side of the vehicle, we consider this a good correlation factor. More important, however, is the effect on the analysis. There is a very good similarity between the reference data and the ASAsense data: the worse roads in the reference data also come out as bad in the ASAsense data, and the good ones as good.

			[[File:Distributie eIRI vs referentie.png\|thumb\|eIRI ASAsense compared with the PoA distribution]]

			When we look at the overall distribution of the data, we also see a very strong agreement.

			Below we have also compared the "driving quality" indicator with the reference measurements. We analyse this with a "confusion matrix", a standard approach for classification problems. Quality is mainly predicted in neighbouring quality labels, as the confusion matrix shows. For example, of the roads whose true label is "very good", 96% are predicted as "good" or "very good".

			==== Development ====

			===== PAVEsense version 8 =====

			The alignment of the measured data was improved. As a result, peaks now coincide better at the correct location. This makes averaging over different passes a more effective way to obtain the final result. Moreover, it is a simpler method and also works when there are few passes over the same location. The following table shows the R² of the new version compared with the previous one. We also see that the prediction of ''Driving Quality'' has improved significantly compared with the previous version. The table was created with the same data for v7 and v8, which makes comparison possible.

	~~===== PAVEsense versie 8 =====~~
	Het aligneren van de gemeten data werd verbeterd. Dit heeft als effect dat pieken nu beter samenvallen op de juiste locatie. Hierdoor is het gemiddelde over verschillende passages nemen een effectievere manier om tot het eindresultaat te bekomen. Meer nog, dit is een simpelere manier en werkt ook wanneer er weinig passages over dezelfde locatie zijn. In de volgende tabel is de R^2 afgebeeld voor de nieuwe versie ten opzichte van de vorige. We merken ook dat het voorspellen van rijkwaliteit “''Driving Quality”'', ook significant verbeterd is ten opzichte van de vorige versie. De tabel is gecreëerd met dezelfde data voor v7 en v8, wat vergelijking mogelijk maakt.
	{\| class="wikitable"		{\| class="wikitable"
	~~\|'''~~eIRI version~~'''~~		! eIRI version
	~~\|'''R2~~ (dtw-aligned)~~'''~~		! R² (dtw-aligned)
	\|-		\|-
	\|PAVEsense v7 ~~en vroeger~~		\| PAVEsense v7 and earlier
	\|0.61		\| 0.61
	\|-		\|-
	\|~~vanaf~~ PAVEsense v8		\| from PAVEsense v8
	\|'''0.7'''		\| '''0.7'''
	\|}		\|}
	~~[[File:Driving quality confusion matrix.png\|thumb\|eIRI driving quality confusion matrix genormalizeerd op ware label]]~~

	===== PAVEsense ~~versie~~ 7 ~~en vroeger~~ =====		[[File:Driving quality confusion matrix.png\|thumb\|eIRI driving quality confusion matrix, normalised on the true label]]
	In PAVEsense v7 ~~en vroeger werd het~~ 85<sup>~~ste~~</sup> ~~percentiel gebruikt om verschillende passages samen te nemen tot een meting~~. ~~Deze versie onder~~-~~rapporteerde de gemeten~~ eIRI, ~~waardoor vele wegen~~ in ~~een betere categorie terechtkwamen dan~~ in ~~werkelijkheid~~.
	[[File:PAVEsense v7 driving quality confusion matrix.png\|thumb\|PAVEsense v7 (~~oudere~~ software) driving quality confusion matrix ~~genormalizeerd op ware~~ label]]		===== PAVEsense version 7 and earlier =====

			In PAVEsense v7 and earlier, the 85<sup>th</sup> percentile was used to combine different passes into one measurement. This version under-reported the measured eIRI, so many roads ended up in a better category than in reality.

			[[File:PAVEsense v7 driving quality confusion matrix.png\|thumb\|PAVEsense v7 (older software) driving quality confusion matrix, normalised on the true label]]
			</translate>

Thomas: Language-neutral wiki syntax (File:, thumb, #REDIRECT) before switching the wiki to English

2026-10-14T09:48:42Z

Language-neutral wiki syntax (File:, thumb, #REDIRECT) before switching the wiki to English

← Older revision		Revision as of 09:48, 14 October 2026
Line 1:		Line 1:
	{{DISPLAYTITLE:PAVEsense eIRI correlatie met referentie metingen}}		{{DISPLAYTITLE:PAVEsense eIRI correlatie met referentie metingen}}
	[[~~Bestand~~:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|~~miniatuur~~\|eIRI ASAsense vs IRI reference]]		[[File:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|thumb\|eIRI ASAsense vs IRI reference]]
	''Geldig vanaf PAVEsense versie 8 (november 2024)''		''Geldig vanaf PAVEsense versie 8 (november 2024)''

Line 7:		Line 7:
	==== Vergelijking met referentie metingen in de haven van Antwerpen ====		==== Vergelijking met referentie metingen in de haven van Antwerpen ====
	De correlatie werd gedaan met behulp van referentiedata die we van de haven van Antwerpen mochten ontvangen. Met behulp van enkele correcties voor de GPS-drift merken we een correlatie (R² factor) van 70% op. Gezien het feit dat we meten na de demping van de wagen, over verschillende passages heen, terwijl de referentiedata eenmalig wordt opgemaakt en telkens langs één zijde van de wagen, beschouwen we dit als een goede correlatiefactor. Belangrijker nog is echter wat het effect is op de analyse. Er is een zeer goede gelijkenis tussen de referentiedata en de ASAsense data. De slechtere wegen in de referentiedata komen ook in de ASAsense data terug als slecht, de goede als goede.		De correlatie werd gedaan met behulp van referentiedata die we van de haven van Antwerpen mochten ontvangen. Met behulp van enkele correcties voor de GPS-drift merken we een correlatie (R² factor) van 70% op. Gezien het feit dat we meten na de demping van de wagen, over verschillende passages heen, terwijl de referentiedata eenmalig wordt opgemaakt en telkens langs één zijde van de wagen, beschouwen we dit als een goede correlatiefactor. Belangrijker nog is echter wat het effect is op de analyse. Er is een zeer goede gelijkenis tussen de referentiedata en de ASAsense data. De slechtere wegen in de referentiedata komen ook in de ASAsense data terug als slecht, de goede als goede.
	[[~~Bestand~~:Distributie eIRI vs referentie.png\|~~miniatuur~~\|eIRI ASAsense t.o.v. PoA distributie]]		[[File:Distributie eIRI vs referentie.png\|thumb\|eIRI ASAsense t.o.v. PoA distributie]]
	Als we de totale distributie van de data bekijken zien we ook een zeer sterke overeenkomst.		Als we de totale distributie van de data bekijken zien we ook een zeer sterke overeenkomst.

Line 26:		Line 26:
	\|'''0.7'''		\|'''0.7'''
	\|}		\|}
	[[~~Bestand~~:Driving quality confusion matrix.png\|~~miniatuur~~\|eIRI driving quality confusion matrix genormalizeerd op ware label]]		[[File:Driving quality confusion matrix.png\|thumb\|eIRI driving quality confusion matrix genormalizeerd op ware label]]

	===== PAVEsense versie 7 en vroeger =====		===== PAVEsense versie 7 en vroeger =====
	In PAVEsense v7 en vroeger werd het 85<sup>ste</sup> percentiel gebruikt om verschillende passages samen te nemen tot een meting. Deze versie onder-rapporteerde de gemeten eIRI, waardoor vele wegen in een betere categorie terechtkwamen dan in werkelijkheid.		In PAVEsense v7 en vroeger werd het 85<sup>ste</sup> percentiel gebruikt om verschillende passages samen te nemen tot een meting. Deze versie onder-rapporteerde de gemeten eIRI, waardoor vele wegen in een betere categorie terechtkwamen dan in werkelijkheid.
	[[~~Bestand~~:PAVEsense v7 driving quality confusion matrix.png\|~~miniatuur~~\|PAVEsense v7 (oudere software) driving quality confusion matrix genormalizeerd op ware label]]		[[File:PAVEsense v7 driving quality confusion matrix.png\|thumb\|PAVEsense v7 (oudere software) driving quality confusion matrix genormalizeerd op ware label]]

Wout: titel aanpassen

2024-11-15T09:40:49Z

titel aanpassen

← Older revision		Revision as of 09:40, 15 November 2024
Line 1:		Line 1:
			{{DISPLAYTITLE:PAVEsense eIRI correlatie met referentie metingen}}
	[[Bestand:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|miniatuur\|eIRI ASAsense vs IRI reference]]		[[Bestand:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg\|miniatuur\|eIRI ASAsense vs IRI reference]]
	''Geldig vanaf PAVEsense versie 8 (november 2024)''		''Geldig vanaf PAVEsense versie 8 (november 2024)''

Wout: pavesense v8 eIRI update documentatie

2024-11-15T09:37:13Z

pavesense v8 eIRI update documentatie

@@ Line 1: / Line 1: @@
-[[Bestand:IRI ASAsense vs IRI reference.png|miniatuur|eIRI ASAsense vs IRI reference]]
+[[Bestand:Port of Antwerp Groundtruth vs eIRI measurements of ASAsense.jpg|miniatuur|eIRI ASAsense vs IRI reference]]
-De eIRI-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij de 85-ste percentiel van IRI (over de geselecteerde passages) van alle passages die voldoen aan het [[Roads AI#Convergentie|convergentiecriterium]]. Uit onderzoek blijkt namelijk dat dit een betere correlatie geeft met referentie data.
+''Geldig vanaf PAVEsense versie 8 (november 2024)''
-De correlatie werd gedaan met behulp van referentiedata die we van de haven van Antwerpen mochten ontvangen. Met behulp van enkele correcties voor de GPS-drift merken we een correlatie (R² factor) van 67% op. Gezien het feit dat we meten na de demping van de wagen, over verschillende passages heen, terwijl de referentiedata eenmalig wordt opgemaakt en telkens langs één zijde van de wagen, beschouwen we dit als een redelijke goede correlatiefactor. Belangrijker nog is echter wat het effect is op de analyse. Zoals u in de afbeelding hiernaast kan zien worden de hoge pieken afgevlakt, maar is er verder een zeer goede gelijkenis tussen de referentiedata en de ASAsense data. De slechtere wegen in de referentiedata komen ook in de ASAsense data terug als slecht, de goede als goede.
+De eIRI-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij het '''gemiddelde''' van de eIRI (over de geselecteerde passages) van alle passages die voldoen aan het [[Roads AI#Convergentie|convergentiecriterium]].
-[[Bestand:IRI ASAsense vs PoA distribution.png|miniatuur|eIRI ASAsense t.o.v. PoA distributie]]
 Als we de totale distributie van de data bekijken zien we ook een zeer sterke overeenkomst.

Thomas at 15:22, 10 October 2024

2024-10-10T15:22:28Z

← Older revision		Revision as of 15:22, 10 October 2024
Line 1:		Line 1:
	[[Bestand:IRI ASAsense vs IRI reference.png\|miniatuur\|~~IRI~~ ASAsense vs IRI reference]]		[[Bestand:IRI ASAsense vs IRI reference.png\|miniatuur\|eIRI ASAsense vs IRI reference]]
	De ~~IRI~~-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij de 85-ste percentiel van IRI (over de geselecteerde passages) van alle passages die voldoen aan het [[Roads AI#Convergentie\|convergentiecriterium]]. Uit onderzoek blijkt namelijk dat dit een betere correlatie geeft met referentie data.		De eIRI-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij de 85-ste percentiel van IRI (over de geselecteerde passages) van alle passages die voldoen aan het [[Roads AI#Convergentie\|convergentiecriterium]]. Uit onderzoek blijkt namelijk dat dit een betere correlatie geeft met referentie data.

	De correlatie werd gedaan met behulp van referentiedata die we van de haven van Antwerpen mochten ontvangen. Met behulp van enkele correcties voor de GPS-drift merken we een correlatie (R² factor) van 67% op. Gezien het feit dat we meten na de demping van de wagen, over verschillende passages heen, terwijl de referentiedata eenmalig wordt opgemaakt en telkens langs één zijde van de wagen, beschouwen we dit als een redelijke goede correlatiefactor. Belangrijker nog is echter wat het effect is op de analyse. Zoals u in de afbeelding hiernaast kan zien worden de hoge pieken afgevlakt, maar is er verder een zeer goede gelijkenis tussen de referentiedata en de ASAsense data. De slechtere wegen in de referentiedata komen ook in de ASAsense data terug als slecht, de goede als goede.		De correlatie werd gedaan met behulp van referentiedata die we van de haven van Antwerpen mochten ontvangen. Met behulp van enkele correcties voor de GPS-drift merken we een correlatie (R² factor) van 67% op. Gezien het feit dat we meten na de demping van de wagen, over verschillende passages heen, terwijl de referentiedata eenmalig wordt opgemaakt en telkens langs één zijde van de wagen, beschouwen we dit als een redelijke goede correlatiefactor. Belangrijker nog is echter wat het effect is op de analyse. Zoals u in de afbeelding hiernaast kan zien worden de hoge pieken afgevlakt, maar is er verder een zeer goede gelijkenis tussen de referentiedata en de ASAsense data. De slechtere wegen in de referentiedata komen ook in de ASAsense data terug als slecht, de goede als goede.
	[[Bestand:IRI ASAsense vs PoA distribution.png\|miniatuur\|~~IRI~~ ASAsense t.o.v. PoA distributie]]		[[Bestand:IRI ASAsense vs PoA distribution.png\|miniatuur\|eIRI ASAsense t.o.v. PoA distributie]]
	Als we de totale distributie van de data bekijken zien we ook een zeer sterke overeenkomst.		Als we de totale distributie van de data bekijken zien we ook een zeer sterke overeenkomst.

Thomas: Nieuwe pagina aangemaakt met 'IRI ASAsense vs IRI reference De IRI-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij de 85-ste percentiel van IRI (over de geselecteerde passages) van alle passages die voldoen aan het convergentiecriterium. Uit on...'

2022-12-14T15:37:27Z

Nieuwe pagina aangemaakt met 'miniatuur|IRI ASAsense vs IRI reference De IRI-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij de 85-ste percentiel van IRI (over de geselecteerde passages) van alle passages die voldoen aan het convergentiecriterium. Uit on...'

New page

[[Bestand:IRI ASAsense vs IRI reference.png|miniatuur|IRI ASAsense vs IRI reference]]
De IRI-waarden van ASAsense worden berekend op basis van het wegprofiel dat wordt opgemeten aan de hand van de accelerometer in de sensorbox. We combineren hierbij de metingen van de verschillende passages en nemen daarbij de 85-ste percentiel van IRI (over de geselecteerde passages) van alle passages die voldoen aan het [[Roads AI#Convergentie|convergentiecriterium]]. Uit onderzoek blijkt namelijk dat dit een betere correlatie geeft met referentie data.

De correlatie werd gedaan met behulp van referentiedata die we van de haven van Antwerpen mochten ontvangen. Met behulp van enkele correcties voor de GPS-drift merken we een correlatie (R² factor) van 67% op. Gezien het feit dat we meten na de demping van de wagen, over verschillende passages heen, terwijl de referentiedata eenmalig wordt opgemaakt en telkens langs één zijde van de wagen, beschouwen we dit als een redelijke goede correlatiefactor. Belangrijker nog is echter wat het effect is op de analyse. Zoals u in de afbeelding hiernaast kan zien worden de hoge pieken afgevlakt, maar is er verder een zeer goede gelijkenis tussen de referentiedata en de ASAsense data. De slechtere wegen in de referentiedata komen ook in de ASAsense data terug als slecht, de goede als goede.
[[Bestand:IRI ASAsense vs PoA distribution.png|miniatuur|IRI ASAsense t.o.v. PoA distributie]]
Als we de totale distributie van de data bekijken zien we ook een zeer sterke overeenkomst.