A driver visual attention model. Part 1. Conceptual framework
Notice bibliographique
Résumé
This paper describes a driver visual attention model that gathers information based on a selective process so that events such as distractions can be modelled. This model contains visual information gathering capabilities and visual attention mechanisms based on subjective and objective factors. As the research focused on applicability, the model's framework was designed to be integrated as a component processor within a microscopic computer traffic simulation. The model determines visual attention using two mechanisms: internal and external focusing. The internal focusing mechanism is a proactive attention director. This subjective-based mechanism moves the head and eye to a general direction such that information relevant to the current task is actively searched for based on the driver's expectancy. The external focusing mechanism is a reactive attention director based on the characteristics of the objects within the driver's visual field. External control allows for distractions to be modelled, since irrelevant information may objectively demand higher attention than relevant information. For each visible object, these two control mechanisms determine its attention demand value (ADV). Visual information from the object with the highest ADV is then acquired. The ADV also plays a role in determining the information processing time and amount of attention allocated to driving. With the use of this model and its input of various internal and external variables, it is hoped that a variety of driver types with varying visual abilities (age-related, intoxicated) can be simulated within visually detailed environments.Key words: driver behaviour, visibility, driver visual attention, attention demand value, driver simulation models
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».