Effectiveness of Advanced Driver Assistance Systems in Preventing System-Relevant Crashes
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">This retrospective cohort study uses survival analysis to estimate the effectiveness of Toyota ADAS in helping prevent system-relevant crashes. 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). System-relevant crash scenarios included: striking vehicle in front-to-rear, single vehicle run-off-the-road, same-direction sideswipe, head-on, and pedestrian struck. The study vehicle cohort included 11 Toyota/Lexus models, model years 2015 through 2018, sold in the eight study states. ADAS technologies studied included automatic emergency braking (AEB), lane departure warning (LDW), lane keeping assistance (LKA), blind spot monitoring (BSM) and pedestrian automatic emergency braking (PedAEB). Among the study cohort of 2,394,913 vehicles, police reported 308,490 crashes. The crude crash rate ratio (CRR) was 0.61 for AEB-equipped versus non-equipped vehicles. However, the CRR does not adjust for differences in ADAS-equipped versus non- equipped vehicles. To adjust for group differences (confounding factors), Cox proportional-hazards (CPH) regression modeled the relative risk (hazard ratio, HR) of being in a system-relevant crash for vehicles with versus without the ADAS. CPH modeling found that AEB-equipped vehicles were 43% less likely (HR=0.57) to be the striking vehicle in a front-to-rear crash compared to non-equipped vehicles. The analysis was also stratified to look at the effect in intersection versus non-intersection crashes. BSM-equipped vehicles were 4% less likely (HR=0.96) to be involved in a same-direction sideswipe, though the differences were not significant (p=0.252). LKA-equipped vehicles were 9% less likely (HR=0.91) to run off the road. LDW and LKA did not have a significant effect on risk of same-direction sideswipe or head-on crash. PedAEB-equipped vehicles were less likely to hit a pedestrian (HR=0.84), but the hazard ratios were marginally significant (p=0.114). This study contributes new evidence of the effectiveness of ADAS in helping prevent system-targeted crashes.</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 ».