Connected Vehicles: Technology Review, State of the Art, Challenges and Opportunities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 découle