Evaluating the Performance of Connected and Automated Vehicles in Fixed Signal-Controlled Conventional Intersections and Superstreets with Platooning-Based Trajectory Planning
Notice bibliographique
Résumé
Connected and autonomous vehicles (CAVs) are emerging technology that attracts the interests of many transportation professionals and computational scientists. Several recent studies have investigated different model frameworks of CAVs in different transportation environments, such as on freeways and at conventional intersections. Nevertheless, few efforts have been made to investigate the performances of CAVs at innovative intersections, and the lack of knowledge can result in an inaccurate prediction of CAVs performances in the existing transportation network. This research intends to mitigate this research gap by studying the traffic delay and fuel consumption of CAVs in the environment of the superstreet and its equivalent conventional intersection through simulation-based experiments. A real-world superstreet in Leeland, NC, is selected and used. A conventional intersection with equivalent road designs is established in the simulation platform to make a comparison with the selected superstreet. This research develops both platooning and trajectory planning modeling frameworks to examine the implications of CAVs with different capabilities. The Intelligent Driver Model (IDM) is selected and applied to model the CAV behaviors, while Wiedemann 99 (W99) is used to model Human-Driven Vehicles (HDVs). The simulation results demonstrate the efficiency of both platooning and trajectory planning, respectively. Different effects of CAVs in the superstreet and its equivalent conventional intersection are observed. The findings from this research can provide an important reference for transportation planners and policymakers in predicting the influence of CAVs on the existing transportation infrastructure.
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 ».