Research and Deduction of Car-to-TW Vehicle AEB Test Scenarios Based on Improved Clustering Methods
Notice bibliographique
Résumé
Two‐wheeled (TW) vehicle accidents are one of the major types of urban traffic accidents. TW cyclists who lack safety protection usually suffer more serious injuries and deaths in collisions. Developments in automotive active safety technologies are expected to reduce cyclist injuries and deaths, such as automatic emergency braking (AEB). To facilitate the development and testing of AEB technology, typical TW vehicle scenarios need to be constructed. Based on 400 cases of car‐to‐TW vehicle accident data from the National Automobile Accident In‐Depth Investigation System (NAIS) database, we investigated the scenario elements that influence AEB robustness, such as weather, accident time, and road wetness. We obtained seven static scenarios using an improved clustering method, and we obtained specific speed and distance combinations in each scenario using a deduction method. Further, we compared the present findings to those of other scholars and the China New Car Assessment Program (C‐NCAP). The kinematic states of the two were similar to that of C‐NCAP, but the speed distribution was significantly different. The TW vehicle speed in the C‐NCAP is set to 15 km/h or 20 km/h concerning the European test scenarios, but the TW vehicle speed in the present study was 10–60 km/h. Thus, the present findings recommended that subsequent C‐NCAP test scenarios increase the category of motorcycles and the speed range of cars covering 20–70 km/h and consider the test conditions of bad weather and wet roads, to test the robustness of AEB.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 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 ».