SafePath: Exploiting Ubiquitous Smartphones to Avoid Vehicle–Pedestrian Collision
Notice bibliographique
Résumé
Every year, over 4700 traffic fatalities and 75000 crash injuries involve pedestrians in the United States. Effective solutions are urgently needed to prevent vehicle–pedestrian collision accidents. Many driving assistance systems are proposed to address this problem; however, they require additional infrastructures that may result in higher costs and be difficult to deploy on a large scale. In this article, we propose SafePath, which uses the ubiquitous smartphones to avoid vehicle–pedestrian collision. Specifically, SafePath utilizes the smartphones to broadcast the redesigned service set identifier (SSID) messages containing users’ information (e.g., location, direction, etc.) and scan the surroundings via wireless communications. Considering the limited communication range and the possible interference, and obstruction of obstacles, we propose a collaborative mechanism to enhance the transmission capability, hence predicting the collisions in advance effectively. We also design a risk evaluation scheme to calculate the probability of accidents and inform users to take actions against accidents at different levels. We implement SafePath on the Android platform and conduct extensive real-road experiments to evaluate the system performance. The experimental results demonstrate that SafePath can provide twice the transmission range compared with other collision-avoiding systems. Moreover, it also can significantly reduce the probability of vehicle–pedestrian collisions by up to 81.4%, with respect to other compared collision-avoiding systems in our real-road test.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».