An Automatic Emergency Braking Model considering Driver’s Intention Recognition of the Front Vehicle
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
Driver’s intention of the front vehicle plays an important role in the automatic emergency braking (AEB) system. If the front vehicle brakes suddenly, there is potential collision risk for following vehicle. Therefore, we propose a driver’s intention recognition model for the front vehicle, which is based on the backpropagation (BP) neural network and hidden Markov model (HMM). The brake pedal, accelerator pedal, and vehicle speed data are used as the input of the proposed BP-HMM model to recognize the driver’s intention, which includes uniform driving, normal braking, and emergency braking. According to the recognized driver’s intention transmitted by Internet of vehicles, an AEB model for the following vehicle is proposed, which can dynamically change the critical braking distance under different driving conditions to avoid rear-end collision. In order to verify the performance of the proposed models, we conducted driver’s intention recognition and AEB simulation tests in the cosimulation environment of Simulink and PreScan. The simulation test results show that the average recognition accuracy of the proposed BP-HMM model was 98%, which was better than that of the BP and HMM models. In the Car to Car Rear moving (CCRm) and Car to Car Rear braking (CCRb) tests, the minimum relative distance between the following vehicle and the front vehicle was within the range of 1.5 m–2.7 m and 2.63 m–5.28 m, respectively. The proposed AEB model has better collision avoidance performance than the traditional AEB model and can adapt to individual drivers.
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