Analysis of Video Event Recorder Data Used for Accident Reconstruction
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Trucking fleets are increasingly installing video event recorders in their vehicles. The video event recorder system is usually mounted near the vehicle's rear view mirror, and consists of two cameras: one looking forward and one looking towards the driver. The system also contains accelerometers that record lateral and longitudinal g-loading, and some may record vehicle speed (in mph) based on GPS positions. The unit constantly monitors vehicle acceleration and speed, and also records video. However, the recorded data is only stored when a preset acceleration threshold is met. The primary use of the system is to assist fleets with driver training and education, but the recorded data is also being used as a tool to reconstruct accidents. By integrating the accelerometer data, the vehicle speed and distance traveled during the event can be calculated. However, the calculated speeds and distances from video event recorder data may differ from reconstructions based on data taken from engine control modules (ECM's) or classic reconstruction techniques. The objective of this study was to determine the source(s) of these differences and to determine whether or not the differences could be accounted for and corrected. Results of the study indicate that the differences can be corrected by analyzing the recorded video and matching the calculated results to known vehicle speeds, i.e., when the vehicle comes to rest. In cases where the vehicle does not come to rest during the recorded event, the differences can only be corrected if the vehicle in question can be accurately modeled.</div></div>
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».