State-of-the-art review of unmanned aerial vehicles (UAVs) and artificial intelligence (AI) for traffic and safety analyses: Recent progress, applications, challenges, and opportunities
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
This review comprehensively examines the intersection of Unmanned Aerial Vehicles (UAVs) and Artificial Intelligence (AI) in traffic and safety analyses, addressing their transformative impact on traffic monitoring, safety assessment, and environmental studies. By systematically analyzing over 315 scholarly works from 2009 to 2024, this review highlights the evolution from traditional data collection methods to UAV-enabled systems enhanced by advanced AI algorithms. The findings reveal UAVs’ significant contributions to traffic operations monitoring, safety evaluations, and special environmental applications, demonstrating enhanced efficiency in collecting, analyzing, and interpreting high-resolution traffic data. For instance, UAVs have improved traffic flow estimation accuracy by over 20%, enabled detailed safety conflict analysis through surrogate safety measures like Time-to-Collision (TTC), and facilitated data collection protocols optimized for diverse facility types, including intersections and roundabouts. Key challenges, such as data privacy, integration with existing systems, and weather-related limitations, are critically discussed. The review identifies future research directions, emphasizing the potential for autonomous UAV operations, ethical frameworks, and cost-effective scaling. Ultimately, this review underscores UAVs and AI as pivotal technologies reshaping traffic analysis, enabling smarter, safer, and more sustainable transportation systems.
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 | 0,000 | 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 | 0,001 |
| 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 découle