Simple Mixed Reality Infrastructure for Experimental Analysis of Route Choice Behavior
Notice bibliographique
Résumé
Microscopic traffic simulation models offer virtual reproduction of full-scale traffic networks with individual vehicle and driver resolution. However, relevant behavioral aspects, such as route-choice behavior, are based on some theoretical assumptions. Alternatively, driving simulators allow for direct testing of real subjects. However, the virtual driving environment is typically a fairly rudimentary representation of the road network and traffic conditions, focusing on the immediate surroundings of the test vehicle. As such, both tools were integrated to create a mixed reality traffic analysis environment. The objective is to enhance the credibility of in-lab-simulated route-choice experiments under various intelligent transportation system applications. The mixed reality system allows a human subject to “drive” a vehicle in a microscopic traffic simulation model of an actual physical network. An externally controlled driving capability was integrated into the widely used Quadstone Paramics microscopic traffic simulator. The developed mixed reality platform was used at the Toronto (Canada) Intelligent Transportation System Centre to test subjects while driving in a simulated model of a main downtown Toronto corridor. Drivers were given descriptive and prescriptive traffic information while their reactions were monitored. For comparative purposes, they were also tested using a more classical map-based point-and-click route-choice procedure. Results of the analysis highlight the potential of the developed mixed reality platform to enhance the realism of in-lab-simulated route-choice experiments and hence improve the credibility of collected data. Both the virtual reproduction of the choice environment and the tangible consequences of choice decisions contribute to an enhanced experimental environment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».