Network-level comparison of various Forward Collision Warning algorithms
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
Rear-end collisions represent a quarter to one-third of the total number of collisions occurring on North American roads. Consequently, Forward Collision Warning (FCW) algorithms have been developed to mitigate this type of critical collision by warning drivers about an impending rear-end event. The algorithms are typically tested to ensure their effectiveness in reducing specific events, such as rear-end conflicts and/or collisions, or by assessing the change in the frequency and severity of braking maneuvers. Such assessments are usually microscopic in nature and deal with isolated (independent) situations. This paper aims at assessing six FCW algorithms at a network level with varying market penetration rates using a calibrated micro-simulation model. The algorithms were assessed in terms of their safety (rear-end conflicts frequency), mobility (travel times), and environmental impacts (emissions and fuel consumption). Based on the results of this study, most of the FCW algorithms did not have a significant effect on mobility nor environmental impacts at various market penetration rates. On the contrary, all the algorithms showed significant safety improvements, in terms of reducing rear-end conflicts, as the market penetration rates increased. The only exception was a single algorithm that tends to be more conservative in terms of braking distance. The results showed that situational improvements (on a driver level) caused by using FCW systems will generally translate into systematic improvements (on a network level). This is important due to the anticipated gradual increase in intelligent vehicles, which are expected to be equipped with FCW systems, on our roads soon.
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