Development Of In-Vehicle Collision Warning System For Intersections
Notice bibliographique
Résumé
Most of the current collision warning systems are mainly designed to detect imminent rear-end, lane-changing or lane departure collisions. None of them was designed to detect imminent intersection collisions, which were found to cause more fatalities and injuries than other types of collisions. One of the most important factors that lead to intersection collisions is driver’s human error and misjudgement. A main source for human errors is the insensitivity of human vision system to detect the speed and acceleration of approaching vehicles; and therefore, any algorithm for an intersection collision warning system should give consideration to the speed and acceleration of all approaching vehicles to mitigate the inadequacy in the human vision system. Moreover, when designing any collision warning system, false warnings should be minimized to avoid nuisance for drivers that might lead to the loss of the system’s reliability by potential users. This research proposed an intersection collision warning system that utilizes commercially-available detection sensors to detect approaching vehicles and measure their speeds and acceleration rates in order to estimate the time-to-collision and compare it to the time required for the turning vehicle to clear the paths of the approaching vehicles. By comparing these times, the system triggers a warning message if an imminent collision is detected. Minimum specifications for key hardware components are established for the proposed system which does not depend on specific technology. To estimate the time require to clear the paths of the approaching vehicles, statistical models were developed to estimate the perception-reaction time for the driver of the turning vehicle and the rate of acceleration selected when departing the intersection. The statistical models include regression models that were calibrated from data collected through driving simulation and more-sophisticated artificial neural network models that are based on actual data collected from a specific driver on a specific vehicle. The proposed system was validated by computer simulation to verify the accuracy of the developed algorithms and to measure the impact of different components on the functionality and reliability of the system. Final conclusions are provided along with recommendations for further research.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».