Driver behavior assessment based on loosely coupled GPS/INS integration in harsh environment
Notice bibliographique
Résumé
Commercial location-based services use mainly the Global Positioning System (GPS) receiver data to develop the driver assistance and monitoring systems. Nevertheless, the GPS receiver has a lot of problems, and the important one is the signal availability in harsh environment such as urban canyon, tunnel and bridge. To overcome this drawback, the Inertial Navigation System (INS) comes to aid the GPS receiver using Kalman filtering to compute precise the position, velocity and acceleration in these environments. This paper matches the two complementary areas which are: GPS/INS integration and Driver Behavior Assessment (DBA). In the literature, these two fields have been deeply investigated separately. However, an accurate analysis of the driver behavior requires precise and available data (position, velocity and acceleration) even in harsh environment. This paper presents a new method for driving behavior assessment based on the loosely coupled GPS/INS integration that allows a precise results, especially in case of GPS outages which can be modeled in the driver behavior assessment part. This assessment uses the belief theory, to fuse risk information given from the Driver, Vehicle and Environment entities, and the fuzzy theory to reduce the complexity of the fusion problem. The obtained real test results show good performance of the developed algorithms as well as the risk models. In addition, the presented results show the capability of the belief theory to model the GPS outages and the quality of signals.
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 | 0,000 |
| 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 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 ».