A comparison of pedestrian behavior in interactions with autonomous and human-driven vehicles: An extreme value theory approach
Notice bibliographique
Résumé
Autonomous Vehicle (AV) technologies are expected to result in significant safety and mobility benefits to the road system. However, one of the most important issues that autonomous vehicle technology faces is ensuring safe interactions with active road users such as pedestrians who can have unpredictable behavior. Moreover, road user behavior varies considerably across different traffic environments, which might represent a challenge to implementing AVs as they lack the intuition common in human-driven vehicles (HDV). This study proposes an approach to evaluate crash risk in vehicle–pedestrian interactions. An Extreme Value Theory (EVT) Peak Over Threshold (POT) model is used to compare the crash risk of AV-pedestrian and HDV-pedestrian interactions in four different cities, namely Boston, Las Vegas, Pittsburgh, and Singapore. A Bayesian hierarchical structure is used to incorporate the effect of several behavioral covariates, which enables estimating the crash risk of each interaction. Results show that the risk varies considerably depending on the type of interaction and the environment. For example, the impact of behavioral covariates (i.e., minimum distance between road users and maximum pedestrian speed) on the risk of AV-pedestrian interactions is greater when compared to the risk of HDV-pedestrian interactions in Boston, Las Vegas, and Singapore. This might indicate that, in busy and congested environments, road users may not be entirely comfortable with the presence of AVs. In addition, Singapore presented a higher percentage of riskier AV-pedestrian interactions when compared to the other cities. Finally, this study offers significant insights into the challenges of introducing AVs in diverse environments as behavior plays a crucial role in traffic and can influence conflict occurrence.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».