Impact of Safety Message Generation Rules on the Awareness of Vulnerable Road Users
Notice bibliographique
Résumé
In the face of cooperative intelligent transportation systems (C-ITS) advancements, the inclusion of vulnerable road users (VRU), i.e., pedestrians, cyclists, and motorcyclists, has just recently become a part of the discussion. Including VRU in C-ITS presents new challenges, most notably the trade-off between the increase in VRU safety and the aggravation in channel congestion resulting from VRU-generated messages. However, previous studies mainly focus on network-related metrics without giving much consideration to VRU safety-related metrics. In this context, we evaluated such a trade-off with a study of motion-based message generation rules for VRU transmissions. The rules were analyzed using theoretical and simulation-based evaluations. In addition to studying the message generation rules using channel load metrics, such as channel busy ratio (CBR) and packet delivery ratio (PDR), we introduced a new metric: the VRU Awareness Probability (VAP). VAP uses the exchange of messages from active VRU to measure the probability of VRU detection by nearby vehicles. Results show that fixed message-filtering mechanisms reduce the overall channel load, but they could negatively impact VRU detection. We established the importance of quantifying the VRU awareness and its inclusion in C-ITS analysis because of its direct impact on VRU safety. We also discussed approaches that include VRU context and dynamism to improve the definition of message generation rules.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».