Integrating Vehicle-to-Infrastructure Communication for Safer Lane Changes in Smart Work Zones
Notice bibliographique
Résumé
As transportation systems evolve, ensuring safe and efficient mobility in Intelligent Transportation Systems remains a priority. Work zones, in particular, pose significant safety challenges due to lane closures, which can lead to abrupt braking and sudden lane changes. Most previous research on Connected and Autonomous Vehicles (CAVs) assumes ideal communication conditions, overlooking the effects of message loss and network unreliability. This study presents a comprehensive smart work zone (SWZ) framework that enhances lane-change safety by the integration of both Vehicle-to-Vehicle (V2V) and Vehicle-to-Infrastructure (V2I) communication. Sensor-equipped SWZ barrels and Roadside Units (RSUs) collect and transmit real-time hazard alerts to approaching CAVs, ensuring coverage of critical roadway segments. In this study, a co-simulation framework combining VEINS, OMNeT++, and SUMO is implemented to assess lane-change safety and communication performance under realistic network conditions. Findings indicate that higher Market Penetration Rates (MPRs) of CAVs can lead to improved lane-change safety, with time-to-collision (TTC) values shifting toward safer time ranges. While lower transmission thresholds allow more frequent communication, they contribute to earlier network congestion, whereas higher thresholds maintain efficiency despite increased packet loss at high MPRs. These insights highlight the importance of incorporating realistic communication models when evaluating traffic safety in connected vehicle 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 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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».