Assessing the Impact of Vehicle-to-Vehicle Communication on Lane Change Safety in Work Zones
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Connected and automated vehicle (CAV) technology has the potential to enhance lane change safety in work zones, especially during lane closures. However, the safety implications of vehicle-to-vehicle (V2V) communication under realistic operating conditions remain insufficiently understood. This study investigates the impact of V2V communication on lane change safety in work zone scenarios using a calibrated co-simulation framework that integrates both traffic and communication networks. The framework simulates a range of realistic conditions–including varying market penetration rates (MPRs), communication ranges, and merge strategies (early and late)–and evaluates lane change safety using the time-to-collision (TTC) metric. A data dissemination algorithm is incorporated to coordinate V2V messaging and enable CAVs to initiate safe lane changes. Unlike prior studies that assume ideal communication conditions, this work simulates realistic V2V communication by incorporating metrics such as packet loss and packet delivery ratio to examine their impact on lane change safety. Findings indicate that higher MPRs and extended communication ranges generally enhance safety; however, limitations in communication quality can significantly reduce these benefits–particularly in late merge scenarios, where degraded data exchange decreases safety. Sensitivity analyses further reveal that lane-change timing and communication range are critical factors influencing safety outcomes, emphasizing the need to account for communication reliability when designing and evaluating CAV-based safety interventions.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle