Do Driver Characteristics and Crash Conditions Modify the Effectiveness of Automatic Emergency Braking?
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Studies of automatic emergency braking (AEB) find that AEB-equipped vehicles are around half as likely to crash. This study examines whether driver characteristics and road and weather conditions modify this preventive effect of AEB.</div><div class="htmlview paragraph">Toyota production data were merged with police reported crash files from eight U.S. states for crash years 2015 up to 2019 by 17-digit vehicle identification number (VIN). Using a case-control design, this study investigated the relationship of AEB presence with being a case vehicle in a system-relevant crash (the striking vehicle in front-to-rear crash; n=30,056) versus an AEB non-relevant control vehicle (the struck vehicle in a front-to-rear crash; n=62,820). The analysis was stratified by driver characteristics and by weather and road conditions. Logistic regression modeled the relationship, controlling for exposure (vehicle-days) and possible confounding factors. The resulting odds ratios for AEB equipment from the separate models were compared to determine if the effect of AEB presence was modified by the characteristic or condition of interest.</div><div class="htmlview paragraph">Overall, AEB-equipped vehicles were 43% (p&lt;0.001) less likely to be the striking (case) vehicle compared to non-equipped vehicles. However, the preventive effect of AEB was significantly lower among older drivers (over 65 years) compared to younger drivers; 29% less likely to be a striking vehicle (OR=0.71) versus 46% (OR=0.54), respectively. The effect of AEB was also lower in adverse weather conditions (rain, fog, snow) (OR=0.66) and on wet or snowy roads (OR=0.65), though these differences were not significant compared to clear weather and dry roads. The AEB effect was also lower among risk-taking drivers (alcohol-involved, speeding, or unrestrained) compared to non-risk-taking (OR=0.72 versus OR=0.59, respectively).</div><div class="htmlview paragraph">AEB prevents crashes, regardless of driver characteristics and environmental conditions. This study suggests, however, that the size of the effect is smaller among older and risk-taking drivers, and in adverse weather and road conditions.</div></div>
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 | 0,001 | 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 | 0,001 |
| 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 ».