Driving Risk Analysis Based on Driving Experience at Hook-Turn Intersection Using the Emerging Virtual Reality Technology
Notice bibliographique
Résumé
The hook turn, which is rarely seen outside of Melbourne, Australia, reduces congestion in narrow road spaces shared with trams. Australia allows people from 44 nations to convert their home country driver’s license to an Australian driver’s license without a driving test. Visitors who have never heard of the hook-turn experience difficulty driving following the new traffic rule. From this aspect, investigating how inexperienced drivers encounter the hook-turn intersection is valuable for safety reasons. A driving simulator including virtual reality technology is developed to evaluate the level of safety of human driving behavior. The simulator in this research was developed by integrating Vissim and Unity3D embedded head-mounted display and driving devices to ensure a better driving experience. This research presented the development of a robust virtual reality driving simulator. It investigated how nonexperienced drivers respond to a completely new road condition. The results were compared with microsimulation outcomes (here, Vissim). The results showed that a human-driven car had a higher collision risk than a computer-driven car. The trajectories of the driver type were statistically different (t = 6.03, p 0.01, in the case of time-to collision ≤1.5 between experienced and computerized drivers). Participant responses to a postexperiment survey found that the simulator was realistic (4.31 out of 5.00), which could help beginner drivers (4.00 out of 5.00). Therefore, the simulator can be utilized for safety-related research as well as drivers’ training.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».