Driving Mode Advisory for Emergency Maneuvering in TransVerse Enabled Connected Vehicular Network
Notice bibliographique
Résumé
The future intelligent transport systems (ITSs) promise to improve traffic safety and security along with reducing the driver workload. In this article, we consider a pre-emptive emergency situation, wherein we design a safe-driving maneuver problem for transportation Metaverse (TransVerse) to compensate for driver reaction delay. The proposed scheme balances the risk of collision, and the spectral and computation resources required by the network. This combination of the spectral and computation resources required is also known as utility of the vehicular network. Further, an emergency maneuver is proposed to suggest a lane-changing maneuver based on the safe lane quality index for vehicles in vicinity of the emergency vehicle, also known as collision risk vehicles (CRVs). Moreover, based on the current position of the vehicles and the proposed safe maneuver, we propose a driving mode advisory to the drivers to provide a speed profile and a real-time high-level driving modes advice on acceleration, cruise, and engine brake. We evaluate the performance of the proposed safe-maneuver planning for CRVs in terms of collision probability, velocity, driving mode, and end-to-end lane changing delay. It can be observed that with the use of the proposed scheme, there is no effect on the performance of the high-CRV (HCRV). However, for the second following vehicle (HCRV2), the probability of collision decreases by 34.78%, and the velocity of the vehicle increases by 61.70% with the use of TransVerse. Moreover, a tradeoff between resource allocation and end-to-end delay of the network is also analyzed with and without TransVerse scenario.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».