A Comprehensive Traffic Accident Investigation System for Identifying Causes of the Accident Involving Events with Autonomous Vehicle
Notice bibliographique
Résumé
As the number of autonomous vehicles increases, the number of accidents also increases every year. These incidents include general car/traffic accidents and may introduce new potential issues such as cybersecurity and sensor errors of autonomous vehicles. The existing traffic accident investigation method has limitations in identifying the cause of the autonomous vehicle accident. Some states in the US (e.g., California and Texas) introduced limited items of Lv. 2 autonomous vehicle accidents. For instance, “vehicle level” and “autonomous mode/conventional mode” are being investigated to identify the cause of autonomous vehicle accidents. Therefore, it is crucial to propose accident investigation items and procedures in preparation for various autonomous vehicles that may occur in the future. In order to address these issues, this study collected reports used in existing traffic accident investigations, autonomous driving‐related reports and literature, and accident videos involving autonomous driving to build investigation items. First, we reviewed the items required for investigation in the event of a conventional vehicle accident and added additional investigation items deemed necessary to be reviewed in addition to the existing reports. Second, based on the conventional vehicle accident investigation items, this study derived the autonomous driving traffic accident investigation items. Finally, an accident involving autonomous vehicle(s) investigation process was established that can be used by the police and various investigation jurisdictions. The results of this paper can improve the understanding of the cause of future traffic accidents involving autonomous vehicles.
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 | 0,001 | 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 ».