SafeCam: Analyzing intersection-related driver behaviors using multi-sensor smartphones
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 large number of car accidents occur at intersections every year mainly due to drivers' "illegal maneuver" or "unsafe behavior". To promote traffic safety, we present SafeCam, a smartphone-based system that jointly leverages vehicle dynamics and the real-time traffic control information (e.g., traffic signals) to detect and study driver dangerous behaviors at intersections. In particular, SafeCam uses embedded sensors (i.e., inertial sensors) on the phone to generate soft hints tracking different driving conditions while at the same time adopts vision-based algorithms to recognize intersection-related critical driving events including unsafe turns, running stop signs and running red lights. In order to improve the system efficiency, we utilize adaptive color filtering under two lighting conditions (e.g., sunny and cloudy) and deploy the subsampling methods to make a trade off between the detection rate and the processing latency. In the evaluation, we conduct real-road driving experiments involving 15 drivers and 6 vehicles. The experiment results demonstrate that SafeCam is robust and effective in real-road driving environments, and has great potential to alert drivers for their dangerous behaviors at intersections and at the same time help them shape safe driving habits. Our experiments also reveal several interesting findings. 1) On average a driver failed to fully stop at stop signs 3 times in a trip of 3.5 km. 2) 11 out of 15 participants have lane drifting problems when they are making turns in the test. 3) Drivers took longer braking time when they approached a stop sign than a red light.
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) | 0,001 | 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