Identifying dynamic interaction patterns in mandatory and discretionary lane changes using graph structure
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
A quantitative understanding of dynamic lane-changing interaction patterns is indispensable for improving the decision-making of autonomous vehicles (AVs), especially in mixed traffic with human-driven vehicles. This paper develops a novel framework combining the hidden Markov model (HMM) and graph structure to identify the difference in dynamic interaction patterns between mandatory lane changes (MLC) and discretionary lane changes (DLC). An HMM is developed to separate the interaction patterns considering heterogeneity in lane-changing processes and reveal the temporal properties of these patterns. Conditional mutual information is used to quantify the interaction intensity, and the graph structure is used to characterize the relationship between vehicles. Finally, a case study is conducted to demonstrate the practical value of the proposed framework and validate its effectiveness in predicting lane-changing trajectories. Based on the lane-changing events extracted from a real-world trajectory dataset, the proposed analytical framework is applied to model MLC and DLC under congested traffic with levels of service E and F. The results show that there could be multiple heterogeneous dynamic interaction patterns in a lane-changing process. A comparison of MLC and DLC demonstrates that MLC involves more intense interactions and more frequent transitions of the interaction network structure, while the evolution rules of interaction patterns in DLC do not exhibit a clear trend. The findings in this study are useful for understanding the connectivity structure between vehicles in lane-changing interactions and for designing safe and smooth driving decision-making models for AVs and advanced driver-assistance 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.
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 | 0,001 | 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 découle