Use of Drivers’ Jerk Profiles in Computer Vision–Based Traffic Safety Evaluations
Notice bibliographique
Résumé
A traffic conflict is usually composed of a chain of events in which at least one of the involved road users performs some sort of evasive action to avoid a collision. An evasive action usually involves powerful braking, which leads to sudden, negative change in acceleration (deceleration). The temporal dynamics (variation over time) of the acceleration of a vehicle is represented by the jerk profile. More formally, jerk is the derivative of the acceleration. In the case of an evasive action by braking, the jerk profile is characterized by strong, negative values. This study examined two issues in the quest to understand the benefits of evasive action analysis. The first issue was whether jerk profiles can be used to identify critical traffic events (conflicts). The second issue addressed the validity of the assumption that the deceleration profile is inadequate as a stand-alone measure for conflict identification. Automated video analysis was used to collect traffic data and analysis was applied on two data sets with distinct traffic patterns. The study revealed a significant difference between the jerk behavior of the groups of drivers involved in conflictive and normal traffic interactions. It also showed instances in which automated jerk evaluation was successful in finding conflicts undetected by conventional conflict indicators. The same could not be demonstrated for the road users’ deceleration behavior. These findings support earlier studies on the shortcomings of the use of deceleration data for conflict identification.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».