A Precrash Scenario Analysis Comparing Safety Performance across Autonomous Vehicle Driving Modes
Notice bibliographique
Résumé
Precrash scenario analysis for autonomous vehicles (AVs) is critical for improving the safety of autonomous driving, yet the scenario differences between different driving modes are unexplored. Using the precrash scenario typology of the USDOT, this study classified 484 AV crash reports from the California DMV from 2018 to 2022, revealing the differences in the scenario proportions of the three modes of autonomous driving, driving takeover, and conventional driving in 34 types of scenarios. The results showed that there were significant differences in the proportion of six scenarios such as “Lead AV stopped” and “Lead AV decelerating” among different driving modes ( p < 0.05). To analyze the relative risk of different driving modes in specific scenarios, an evaluation model of the risk level of AV precrash scenarios was established using the analytic hierarchy process (AHP). The findings indicated that autonomous driving has the highest risk rating and poses the greatest danger in Scenario 1, while conventional driving is associated with Scenario 2b, and driving takeover corresponds to Scenario 3, respectively. In‐depth analysis of the crash characteristics and causes of these three typical scenarios was conducted, and suggestions were made from the perspectives of autonomous driving system (ADS) and drivers to reduce the severity of crashes. This study compared precrash scenarios of AV by different driving modes, providing references for the optimization of ADS and the safety of human‐machine codriving.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».