Current and future trends in wireless enabling technologies for fully automomous cruise cars and their enhancement of road safety
Notice bibliographique
Résumé
Recent years have witnessed acceleration in wireless technology breakthroughs that proved to be key technology enablers of a plethora of applications that have shaped our modern society. For road safety and accident preventions, wireless technologies play a pivotal role in saving lives by assisting drivers in detecting potential collisions from blind spots and in inclement weather conditions such as thick fog or heavy rain. These wireless technologies include automotive radars for collision detections, adaptive cruise control system for autonomous cars, the Internet of Things (IoT) and 5G. While the first is considered a mature technology, the others are rich research areas that promise even greater level of driver assistance, and thus an exponential decline in road accidents and a smoother traffic flow and control, with commercialization expected in the 2020-2025 timeframe. This paper presents a detailed study of the aforementioned technologies in terms of current commercial automotive solutions, relevant future research frameworks, research and commercialization timeline, overlap with other wireless technologies such as cellular communications in the context of future 5G and IoT, and underlying physics and electronics. In addition, limitations and design challenges will also be discussed. Finally, an important comparison between the number of road accidents with and without the above technologies is presented. This comparison presents a compelling evidence that wireless technologies for the automotive industry are key to the reduction of fatal road accidents and the savings of millions of human lives.
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 | 0,000 |
| 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 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 ».