VR Human-Centric Winter Lane Detection: Performance and Driving Experience Evaluation
Notice bibliographique
Résumé
Driving in snowy conditions challenges both human drivers and autonomous systems. Snowfall and ice accumulation impair vehicle control and affect driver perception and performance. Road markings are often obscured, forcing drivers to rely on intuition and memory to stay in their lane, which can lead to encroachment into adjacent lanes or sidewalks. Current lane detectors assist in lane keeping, but their performance is compromised by visual disturbances such as ice reflection, snowflake movement, fog, and snow cover. Furthermore, testing these systems with users on actual snowy roads involves risks to driver safety, equipment integrity, and ethical compliance. This study presents a low-cost virtual reality simulation for evaluating winter lane detection in controlled and safe conditions from a human-in-the-loop perspective. Participants drove in a simulated snowy scenario with and without the detector while quantitative and qualitative variables were monitored. Results showed a 49.9% reduction in unintentional lane departures with the detector and significantly improved user experience, as measured by the UEQ-S (p = 0.023, Cohen’s d = 0.72). Participants also reported higher perceived safety, situational awareness, and confidence. These findings highlight the potential of vision-based lane detection systems adapted to winter environments and demonstrate the value of immersive simulations for user-centered testing of ADASs.
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 ».