Analysing classes of motion drive algorithms based on paired comparison techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A paired comparison experiment using 23 subjects was run on the VIRTTEX driving simulator to compare a lane position based motion drive algorithm (MDA) with a classical MDA for a highway speed, lane change manoeuvre. Two different tuning states of the lane position algorithm and four different tuning states for the classical algorithm were tested. The subjective fidelity of the six different motion cases was compared with each other and a Bradley–Terry model was fit to find the fidelity merit of each case. In addition, the driving performance of the subjects for six motion cases was recorded and compared. The motion-tuning cases were selected such that the trade-off in motion quality between overall motion scaling and motion shape distortion (shape-error), as well as the trade-off between lateral specific force and roll-rate motion errors, could be studied. It was found that when the overall scaling is the same, drivers perform better with the lane position algorithm than with the the classical algorithm. A well-tuned, manoeuvre-specific, classical MDA, however, did achieve a subjective fidelity level on a par with the lane position MDA. A generically tuned classical MDA, however, has a significantly reduced fidelity and driving performance when compared with a lane position algorithm with the same scale factor. A strong trade-off between motion shape-errors and overall motion scaling was found. A small increase in motion cue shape-error, combined with an increase in the scale factor from 0.3 to 0.5, led to improved performance and increased subjective fidelity. The results of the experiment also suggest that simulator motion can be improved by reducing the angular-rate shape-error at the expense of the specific force shape-error (while keeping the total normalised shape-error constant).
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.
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) | 0,000 | 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 découle