Classification of User Preference for Self-Driving Mode and Behaviors of Autonomous Vehicle
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
In the realm of semi-autonomous vehicles (semi-AVs), diverse facets of driver preferences in human-driver interaction have been explored. This study delves into the pivotal aspect of whether drivers favor a self-driving mode within semi-AVs. To discern such preferences, we conducted a user preference survey and leveraged the collected data to construct machine learning (ML) models capable of classifying these preferences effectively. Focusing on the prediction of preferred self-driving actions, we discerned user preferences at four granularity levels. At the lowest level, we ascertained whether users leaned towards self-driving mode at each traffic situation. For the highest granularity, we identified five distinct action types, each comprising two-staged actions (‘Act-Inform,’ ‘Inform-Act,’ ‘Act-No Inform,’ ‘Inform-Consent,’ ‘Alert-Handover’). Our online survey involved 85 participants from each age group (23-44 and 60+), who responded to a background questionnaire and situation-based inquiries for eighteen selected traffic situations. These situations were recorded in two regions of Ontario, Canada (Toronto and Waterloo), representing different population sizes and traffic conditions. Responses from the online survey were processed into features for ML models of user preference prediction. ML model optimization was achieved through Bayesian hyperparameter optimization and the Boruta SHAP (SHapley Additive exPlanations) feature selection algorithm. Boruta SHAP evaluated features and highlighted important features in each ML model of the two age group models (23-44 and 60+). Our findings underscore the feasibility of developing predictive models for driver preferences in self-driving behaviors, with average accuracies exceeding 85% and 72% at the lowest and highest granularity levels, respectively.
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 | 0,000 | 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 découle