Infrastructure-Based Sensor Data Capture Systems for Measurement of Operational Safety Assessment (OSA) Metrics
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The operational safety of automated driving system (ADS)-equipped vehicles (AVs) needs to be quantified for an understanding of risk, requiring the measurement of parameters as they relate to AVs and human driven vehicles alike. In prior work by the Institute of Automated Mobility (IAM), operational safety metrics were introduced as part of an operational safety assessment (OSA) methodology that provide quantification of behavioral safety of AVs and human-driven vehicles as they interact with each other and other road users. To calculate OSA metrics, the data capture system must accurately and precisely determine position, velocity, acceleration, and geometrical relationships between various safety-critical traffic participants. The design of an infrastructure-based system that is intended to capture the data required for calculation of OSA metrics is addressed in this paper. The designed multi-modal sensor system includes a combination of traffic video cameras, vehicle-to-infrastructure (V2I) roadside units (RSUs), National Transportation Communications for Intelligent Transportation System Protocol (NTCIP)-compliant signal controllers streaming Signal Phase and Timing (SPAT) data, and Light Detection and Ranging (LIDAR) sensors. The system is contrasted with other design options to evaluate trade-offs between capability and cost. The designed data capture system was deployed at a SMARTDrive Program<sup>SM</sup> Test Bed intersection in Anthem, AZ that has been developed by the University of Arizona Transportation Research Institute (TRI) in cooperation with the Maricopa County Department of Transportation (MCDOT). The intersection is equipped with a sensor system that includes a fiber optic data transfer backbone to support the data transfer to a server at the MCDOT Traffic Management Center. A measurement uncertainty (MU) analysis has been conducted using experimental data to better understand the performance and reliability of the proposed sensor system design. The data capture system will enable the development and validation of a methodology to continuously measure OSA metrics by gaining rich information through fusion of multimodal data collected from available sources for safety assessment of the transportation system that includes AVs.</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 | 0,002 | 0,001 |
| 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 ».