A Lane Change Strategy to Enhance Traffic Safety in the Coexistence of Autonomous Vehicles and Manual Vehicles
Notice bibliographique
Résumé
Vehicle interactions with different driving behaviors in mixed traffic conditions, in which autonomous vehicles (AVs) and manual vehicles (MVs) coexist, would result in unstable traffic flow leading to a potential crash risk. A proactive traffic management strategy is required to enhance both safety and mobility by preventing hazardous events in connected environments. The purpose of this study is to develop a Proactive Lane‐changE Assistant Strategy for Automated iNnovative Transportation (PLEASANT) to enhance traffic safety. PLEASANT is a strategy for providing lane change assistance information to vehicles approaching risky situations such as crashes, broken vehicles, and upcoming hazardous obstacles. In addition, this study proposed a comprehensive simulation framework that incorporates driving simulation and traffic simulation to evaluate the performance of PLEASANT when dealing with mixed traffic. To characterize vehicle interactions between AVs and MVs, this study analyzes driving behavior in mixed car‐following situations based on multiagent driving simulation (MADS), which is able to synchronize the space and time domains on the road by connecting two driving simulators. The characteristics of vehicle interactions between AVs and MVs were incorporated into microscopic traffic simulations. The effectiveness of PLEASANT was evaluated based on the crash potential index from the perspective of safety. The results showed that PLEASANT was capable of enhancing traffic safety by approximately 21%. PLEASANT is expected to be useful as a novel management strategy for enhancing traffic safety in mixed‐traffic environments.
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 | 0,000 |
| 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 ».