The Effectiveness of Forward Collision Warning Systems in Detecting Real-World Passenger and Nonpassenger Vehicles Relative to a Surrogate Vehicle Target
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Automatic emergency braking and forward collision warning (FCW) reduce the incidence of police-reported rear-end crashes by 27% to 50%, but these systems may not be effective for preventing rear-end crashes with nonpassenger vehicles. IIHS and Transport Canada evaluated FCW performance with 12 nonpassenger and 7 passenger vehicle or surrogate vehicle targets in five 2021-2022 model year vehicles. The presence and timing of an FCW was measured as a test vehicle traveling 50, 60, or 70 km/h approached a stationary target ahead in the lane center. Equivalence testing was used to evaluate whether the proportion of trials with an FCW (within ± 0.20) and the average time-to-collision of the warning (within ± 0.23 sec) for each target was meaningfully different from a global vehicle car target (GVT). A similar approach was used to determine if FCW performance was reproducible between 3 targets tested by both IIHS and Transport Canada and was equivalent between surrogate car and motorcycle targets produced by different companies. FCW systems provided fewer and later warnings when the vehicles approached nonpassenger vehicles compared with the GVT. Results were reproducible between IIHS and Transport Canada, but FCW performance with passenger car and motorcycle surrogate targets representing the same vehicle were not always equivalent. Testing organizations should evaluate AEB and FCW systems with nonpassenger vehicle targets to ensure that AEB and FCW performance observed with passenger vehicles extends to other vehicle types, particularly motorcycles and medium or large trucks that are commonly struck in fatal rear-end crashes.</div></div>
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».