Connected Vehicles: Technology Review, State of the Art, Challenges and Opportunities
Notice bibliographique
Résumé
In an effort to reach accident-free milestones or drastically reduce/eliminate road fatalities rates and traffic congestion and to create disruptive, transformational mobility systems and services, different parties (e.g., automakers, universities, governments, and road traffic regulators) have collaborated to research, develop, and test connected vehicle (CV) technologies. CVs create new data-rich environments and are considered key enablers for many applications and services that will make our roads safer, less congested, and more eco-friendly. A deeper understanding of the CV technologies will pave the way to avoid setbacks and will help in developing more innovative applications and breakthroughs. In the CV paradigm, vehicles become smarter by communicating with nearby vehicles, connected infrastructure, and the surroundings. This connectivity will be substantial to support different features and systems, such as adaptive routing, real-time navigation, and slow and near real-time infrastructure. Further examples include environmental sensing, advanced driver-assistance systems, automated driving systems, mobility on demand, and mobility as a service. This article provides a comprehensive review on CV technologies including fundamental challenges, state-of-the-art enabling technologies, innovative applications, and potential opportunities that can benefit automakers, customers, and businesses. The current standardization efforts of the forefront enabling technologies, such as Wi-Fi 6 and 5G-cellular technologies are also reviewed. Different challenges in terms of cooperative computation, privacy/security, and over-the-air updates are discussed. Safety and non-safety applications are described and possible future opportunities that CV technology brings to our life are also highlighted.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».