Study on a Right-Turning Intelligent Vehicle Collision Warning and Avoidance Algorithm Based on Monte Carlo Simulation
Notice bibliographique
Résumé
With the development of intelligent vehicle technology, the demand for advanced driver assistant systems kept increasing. To improve the performance of the active safety systems, we focused on right-turning vehicle’s collision warning and avoidance. We put forward an algorithm based on Monte Carlo simulation to calculate the collision probability between the right-turning vehicle and another vehicle (or pedestrian) in intersections. We drew collision probability curves which used time-to-collision as the horizontal axis and collision probability as the vertical axis. We established a three-level collision warning system and used software to calculate and simulate the collision probability and warning process. To avoid the collision actively when turning right, a two-stage braking strategy is applied. Taking four right-turning collision conditions as examples, the two-stage braking strategy was applied, analysing and comparing the anteroposterior curve diagram simultaneously to avoid collision actively and reduce collision probability. By comparison, the collision probability 2 s before active collision avoidance was more than 80% and the collision probability may even reach 100% in certain conditions. To improve the active safety performance, the two-stage braking strategy can reduce the collision probability from exceeding 50% to approaching 0% in 2 s and reduce collision probability to less than 5% in 3 s. By changing four initial positions, the collision probability curve calculation algorithm and the two-stage braking strategy are validated and analysed. The results verified the rationality of the collision probability curve calculation algorithm and the two-stage braking strategy.
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) | 0,000 | 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 ».