Evaluation of Conventional Surrogate Indicators of Safety for Connected and Automated Vehicles in Car Following at Signalized Intersections
Notice bibliographique
Résumé
The driving behaviors of connected and automated vehicles (CAVs) will differ from those of human-driven vehicles (HDVs) because the CAVs’ driving decisions are controlled by computers. Because of the limited amount of crash data for CAVs, researchers have relied on surrogate measures of safety to assess their safety impacts. However, they often use the same safety indicators for CAVs that were used for HDVs, raising questions about the adequacy of the safety indicators for CAVs. This study aims to investigate the suitability of using conventional safety indicators for CAVs. To achieve this, we evaluated eight safety indicators used for CAVs in the literature: time-to-collision (TTC), post-encroachment time (PET), time-exposed TTC, time-integrated TTC, deceleration rate to avoid a crash (DRAC), crash-potential index, rear-end-collision risk index, and potential index for collision with urgent deceleration (PICUD). For the evaluation, we first simulate CAVs on an approaching lane of signalized intersections using the acceleration-control algorithm. The algorithm replaces the HDV trajectories with CAVs for mixed simulations where HDVs and CAVs coexist. Analyzing the simulation output, we examined the safety indicators for the various car-following scenarios and the CAV proportions. The findings suggest that PET and PICUD can yield different safety implications for CAVs because of their small-gap car-following characteristics. Ignoring such characteristics may lead to interpreting the small-gap car-following situations as simply dangerous traffic interactions for CAVs. The car-following experiments indicate that TTC, PET, and DRAC are insufficient in measuring the safety implications when successive vehicles operate at similar speeds for CAVs.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».