Autonomous Vehicle–Pedestrian Interaction Modeling Platform: A Case Study in Four Major Cities
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
Accurately evaluating the safety effects of autonomous vehicles (AVs) has become more pressing with the increased adoption rate of AVs. This study utilizes a multiagent adversarial inverse reinforcement learning (MAAIRL) framework for modeling the interactions between AVs and pedestrians in four different cities: Boston, Las Vegas, Pittsburgh, and Singapore. Multiagent actor-critic with Kronecker factors deep reinforcement learning (MACK DRL), a paradigm that extends deep reinforcement learning (DRL), was used to model the behavior of both AVs and pedestrians and to determine their policies and collision avoidance strategies. Simulated trajectories are compared to actual trajectories and the results are evaluated to analyze the behavior of both AVs and pedestrians in terms of their evasive actions such as swerving, accelerating, or decelerating. The multiagent model provides a more comprehensive insight into how road users act in situations of conflict and accounts for changes in the environment. The study also shows that the level of competition between AVs and pedestrians varies significantly across different cities. Las Vegas has the most competitive relationship between AVs and pedestrians, while Singapore has the least competitive environment. The study also highlights the importance of cooperative behavior, particularly in yielding to pedestrians, in reducing the level of competition between AVs and pedestrians. In summary, this research provides valuable insights into the behavior of AVs and pedestrians and can be used to inform the development of more efficient and safe autonomous mobility systems.
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 | 0,001 | 0,000 |
| 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 découle