Safety Assessment and a Parametric Study of Forward Collision-Avoidance Assist Based on Real-World Crash Simulations
Notice bibliographique
Résumé
In this study, we selected four real-world rear-end crash scenarios with different crash characteristics. The vehicles involved in those crashes were not equipped with any crash avoidance systems. We then used the accident reconstruction method to build those crash scenarios in PC-Crash software. Then, different FCW/AEB safety algorithms have been defined for a subject vehicle model in each crash scenario and each scenario was simulated for a set of input parameters such as vehicle speed, brake intensity, and driver reaction time. The range and distribution of input parameters were extracted from the related field crash data and available literature. A total number of 16000 simulations have been conducted which produced input-output datasets for further investigations. Finally, the effects of input parameters on simulation outcomes including crash occurrence, AEB activation, injury risk, and vehicle damage have been quantified using the Boruta algorithm. The results indicated that the overall effectiveness of the AEB system was a 57% reduction of rear-end crashes, a 52% reduction of injury severity (striking vehicle’s passengers), and a 47% reduction of damages for striking vehicles. The results also showed that the available AEB algorithms were more effective for the average speed equal to or less than 80 kmph. The speed of the subject vehicle, type of AEB algorithm, sensor detection range, and driver reaction time were the most important parameters on crash outcomes. In addition, the results indicated that the performance of FCW had a direct impact on the effectiveness of the AEB system for the integrated FCW + AEB system.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».