To DSRC or 5G? A Safety Analysis for Connected and Autonomous Vehicles
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
Connected Autonomous Vehicles (CAV) utilize vehicular communication to collect information about the surrounding environment to make informed decisions about speed and maneuvering. This enables safe driving and decreases the number of accidents and thereby the associated fatalities. However, vehicular communication may suffer from high latency and low reliability, especially in dense vehicle environments, which may negatively affect the safety of CAVs. Therefore, it is crucial to study the impact of these metrics on the safety application performance while taking into account realistic CAV kinematics and dynamics. In this paper, we address this problem by comparing the performance of the Short Range Communication (DSRC) to that of the Fifth-Generation New Radio (5G-NR) and their impacts on the safety applications in the CAV environment under different settings. We develop a full-fledged simulation framework that can realistically model both vehicular mobility and communication and can capture the impact of communication on safety applications. Within this framework, we implement an important CAV's safety application, namely, the forward collision avoidance system, in which following vehicles use vehicular communications to gather information from leading vehicles to compute the safe speed and avoid collisions. We then use this framework to study and compare the performance safety of the forward collision avoidance system using both DSRC and 5G-NR communications. The results show that the packet delays and drops in communication networks can adversely affect CAV safety. The results also demonstrate that 5G is more capable of supporting the safety requirements under higher packet traffic loads and vehicle densities.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle