A perceptual forward collision warning model using naturalistic driving data
Notice bibliographique
Résumé
Rear-end collisions represent a quarter to one-third of the total number of collisions occurring on North American roads. While there are several methods to mitigate rear-end collision effects, one way is to warn drivers about impending events using forward collision warning (FCW) systems. At the core of any FCW algorithm is a trigger distance at which a message is relayed to the driver to avoid rear-end collisions. The main goal of this paper is to propose a warning distance model based on naturalistic driver following behavior. This was achieved by investigating car-following events within a critical time-to-collision range. A total of 5785 candidate car-following events were identified for the model development from 2 months of naturalistic driving study data of 63 drivers. Using regression analysis, the minimum warning distance was linked to several performance measures. It was found that the relative speed, the host vehicle speed, and the host vehicle acceleration can significantly affect the minimum warning distance. To assess the performance of the developed algorithm, it was compared to six of the existing FCW algorithms in terms of warning distances. The results of the developed algorithm were consistent with the other perceptual FCW algorithms. However, the warning distances of the proposed algorithm were less than the distances produced by the kinematic algorithms. The proposed algorithm could be used as a minimum threshold to trigger an alert for an FCW algorithm. Since the proposed algorithm is developed based on actual driving data, it is expected to be more acceptable by drivers. However, the algorithm needs further testing in real-life to validate this expectation.
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 | 0,001 |
| Science ouverte | 0,001 | 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 ».