Driver Response Analysis in Car-Following Scenarios Using Differential Global Positioning System
Notice bibliographique
Résumé
Car following has become a high interest research topic over the last few years- advanced automatic vehicle control system applications in particular. Research initiatives such as the Collision Avoidance Metrics Partnership (CAMP) and Canada’s Auto21 have acquired a wealth of understanding in human car following behaviour over the last few years. However, there is a considerable shortage of fundamental research and relevant field data. Major research initiatives such as CAMP have adopted a more application oriented research approach, thus leaving a void in more generalized research. This paper investigates driver reaction times and responses with varying vehicle dynamics as applicable to a modified Action Point-based car following model. This study uses Differential Global Positioning System (DGPS) to position vehicles, a breakthrough technology that enables centimetre-level positioning and comparable speed measurement capability. Several hours of field data was collected in a 10 km loop of highways with three test drivers. The speed-headway correlation and its dependency on driver preference is assessed. In light of minimizing driver-specific influence, vehicle speed was considered as the analysis variable. Furthermore, two variables are investigated as possible driver response triggers, namely headway and headway rate. This research found that driver reaction time is speed invariant and driver dependent. With respect to driver response, both acceleration and deceleration responses were found to be highly dependent on vehicle speed. Models are presented for two drivers who participated in the field experiments. Field observations on driver sensitivity to headway changes are also presented and discussed.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».