Investigating the Impact of Automated Vehicles on the Safety and Operation of Low‐Speed Urban Networks
Notice bibliographique
Résumé
Automated vehicles (AVs) will appear on the road soon and will influence the properties of road traffic networks such as capacity and safety. While the impact of AV on traffic operations has been discussed extensively, most existing literature in this direction focuses on microscopic and mesoscopic levels. This study examines the effect of AVs on traffic flow operations and crash risks at a network scale. In addition, this study discusses the implications for designing and operating safe, low‐speed urban road networks. Simulation experiments were carried out in a grid road network with AVs and human‐driven vehicles operating in mixed flow conditions. To assess traffic performance, the macroscopic fundamental diagram (MFD) relationships were estimated, specifically focusing on speed‐density correlations. From this analysis, it was possible to extract key traffic performance indices such as capacity and critical speed. Using time‐to‐collision surrogate safety measures, macroscopic safety diagrams were generated which associate the level of congestion with the potential crash conflicts among vehicles at an aggregated spatial scale. Utilizing this knowledge, a novel multiobjective optimization based on the NSGA‐II algorithm was applied to identify the optimal trade‐off between efficiency and safety. The presence of AVs was found to have a positive impact on the capacity, critical density, and average speed on a system level, even in low‐speed scenarios. Moreover, AVs can result in increased critical density in the network, which suggests that the road system can serve more vehicles at its capacity, thus improving efficiency, while decreasing the number of conflicts. These findings are useful for both traffic planners and operators.
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 | 0,000 | 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 ».