Investigating LiDAR Sensor Accuracy for V2V and V2P Conflict Detection at Signalized Intersections
Notice bibliographique
Résumé
This paper examined the accuracy of six installed LiDAR sensors at six different signalized intersections in Trois-Rivières City, Quebec, Canada. At each intersection, the crucial leading and following movements that cause vehicle–vehicle (V2V) and vehicle–pedestrian (V2P) conflicts were identified, and the LiDAR results were compared to crash reports recorded by police, insurance companies, and other reliable resources. Furthermore, the intersection crash rates were calculated based on the daily entering vehicle traffic and the frequency of crashes at each intersection. Convolutional Neural Networks (CNNs) were utilized over 970,000 V2V and V2P conflicts based on the post encroachment time (PET) and time-to-collision (TTC) safety assessment measures. Bayesian models were used to assess the relationships between different intersection characteristics and the occurrence of conflicts, providing insights into the factors influencing V2V and V2P conflict occurrences. Additionally, a developed image-processing algorithm was utilized to examine the conflicts’ trajectories. The intersections’ crash rates indicated that safety considerations should be implemented at intersections #3, #6, #4, #1, #5, and #2, respectively. Additionally, intersections #6, #4, and #3 were the intersections with the highest rates of vehicle–pedestrian conflicts. Analysis revealed the intricate nature of vehicle and pedestrian interactions, demonstrating the potential of LiDAR sensors in discerning conflict-prone areas at intersections.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».