SUMO2Unity: An Open-Source Traffic Co-Simulation Tool to Improve Road Safety
Notice bibliographique
Résumé
In traffic safety research, simulation tools are considered more straightforward and cost-effective than direct observations of real-world conditions, especially when dealing with scenarios that may not exist in reality. The tools include traffic micro-simulation tools (e.g., SUMO) and driver simulators developed in game engines (e.g., Unity). However, the tools also have limitations. For example, the equations used to simulate human behavior may not always reflect real-world behavior accurately, and driver simulators’ lack of realistic traffic systems affect the interaction between the simulator vehicle and other vehicles. Co-simulation allows two different simulation tools to exchange data to enhance the capabilities of each tool, but many traffic safety researchers currently spend significant amounts of time, effort, and budget working on their own version of a co-simulation tool to integrate, for example, a traffic micro-simulation tool such as SUMO with a driver simulator such as the Unity game engine. This situation takes time away from focusing on the goal of improving traffic safety. In this paper, we developed an open-source traffic co-simulation tool. Development involved three tasks: 1. integration of SUMO and Unity; 2. development of a 2D and 3D environment (a 3D road environment in Unity was generated from a 2D road environment in SUMO); and 3. development of a 3D model of a simulator vehicle and development of a VR-based driver simulator. We named our tool SUMO2Unity and believe that it can significantly help traffic safety researchers to conduct future research aimed at improving traffic safety.
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 | 0,000 |
| 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 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 ».