In Search of Severity Dimensions of Traffic Conflicts for Different Simulated Mixed Fleets Involving Connected and Autonomous Vehicles
Notice bibliographique
Résumé
This study aims to estimate the severity of conflicts that may arise from the introduction of connected and automated vehicles (CAVs) by examining the vehicle paths generated by microsimulations of mixed fleets of human-driven vehicles and CAVs with different levels of automation (L1-L4 vehicles). The study assesses the severity of conflicts using a holistic approach that considers three dimensions: (1) proximity to collision, via the time-to-collision (TTC) indicator; (2) potential consequences of a conflict, via single surrogate safety measures such as maximum speed (MaxS) and vehicle speed difference (DeltaS); and (3) a combination of both dimensions to assign severity scores, via TTC and velocity vectors. The study’s findings suggest that moderate penetration rates of L3 and L4 vehicles (35–55%) show significant differences in the number of traffic conflicts with varying TTC values. Additionally, high penetration rates of L3 and L4 vehicles (above 55%) result in lower values of conflict consequences measures such as MaxS and DeltaS. Furthermore, the study shows that conflict consequences decrease if the follower is a L3 or L4 vehicle. The study’s findings also reveal that there is a considerable reduction in high severity conflicts when the penetration rate of CAV levels reaches 50%, and the full operation of L4 vehicles results in a 75.5% reduction in high severity conflicts. Therefore, this study provides valuable insight into the potential severe conflicts during the transition period from manual vehicle operation to full CAV operation. Overall, the study’s findings highlight the importance of assessing the severity of potential conflicts arising from the introduction of CAVs. By considering the proximity to collision and the potential consequences of conflicts, the study provides a comprehensive assessment of the severity of conflicts. This information can inform the development of policies and strategies to ensure the safe and responsible introduction of CAVs into our transportation systems.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».