Evaluation of Preferred Automated Driving Patterns Based on a Driving Propensity Using Fuzzy Inference System
Notice bibliographique
Résumé
With the rapid advancements in automated driving technologies, there is a growing demand for the commercialization of advanced automated vehicles. Through these technologies, we envision enjoying various types of entertainment in automated vehicles, apart from manual driving. To achieve widespread acceptance of automated driving, appropriated interactions between users and automated driving systems must occur. From users’ perspective, automated driving vehicle must be operated within users’ comfort, safe, and satisfying perception based on their personal driving style such as aggressive and defensive driving. Thus, during the motion planning phase of automated driving, consideration should be given to the implementation of a behavioral algorithm based on user propensity. However, user preferences for automated driving patterns exhibit considerable variation, making it essential to conduct an in‐depth investigation into the preferred automated driving patterns corresponding to users’ propensity. In this study, we confirmed that the characteristics of preferred automated driving patterns can be deduced from comprehensive driving propensities, which were derived by combining inherent driving propensities with simulator‐based driving behavior characteristics using the fuzzy logic method. This study confirmed that in the era of automated driving, the preferred automated driving patterns may vary depending on the propensity from the user’s perspective. Considering these differences, it is meaningful in which it suggests the need for automated driving motions to be implemented based on individual preferences that appear according to human factors such as user propensity.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».