An Approach for Handling Uncertainties Related to Behaviour and Vehicle Mixes in Traffic Simulation Experiments with Automated Vehicles
Notice bibliographique
Résumé
The introduction of automated vehicles is expected to affect traffic performance. Microscopic traffic simulation offers good possibilities to investigate the potential effects of the introduction of automated vehicles. However, current microscopic traffic simulation models are designed for modelling human-driven vehicles. Thus, modelling the behaviour of automated vehicles requires further development. There are several possible ways to extend the models, but independent of approach a large problem is that the information available on how automated vehicles will behave is limited to today’s partly automated vehicles. How future generations of automated vehicles will behave will be unknown for some time. There are also large uncertainties related to what automation functions are technically feasible, allowed, and actually activated by the users, for different road environments and at different stages of the transition from 0 to 100% of automated vehicles. This article presents an approach for handling several of these uncertainties by introducing conceptual descriptions of four different types of driving behaviour of automated vehicles (Rail-safe, Cautious, Normal, and All-knowing) and presents how these driving logics can be implemented in a commonly used traffic simulation program. The driving logics are also linked to assumptions on which logic that could operate in which environment at which part of the transition period. Simulation results for four different types of road facilities are also presented to illustrate potential effects on traffic performance of the driving logics. The simulation results show large variations in throughput, from large decreases to large increases, depending on driving logic and penetration rate.
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 ».