Towards highway design readiness for vehicle automation: a 3D risk assessment approach using reliability theory
Notice bibliographique
Résumé
Empirical quantification of how autonomous driving will affect road safety, particularly whether current road designs can accommodate autonomous vehicles (AV), remains under-researched. This research addresses the gap by proposing a three-dimensional (3D) risk assessment framework that integrates reliability theory and mobile Light Detection and Ranging (LiDAR) scans, focusing on how sight distance limitations interact with vehicle autonomy. Using data from 308 curves along a rural highway in British Columbia, Canada, the framework was applied in three phases. First, a voxel-based 3D LiDAR method was developed to estimate available sight distance (ASD) in complex terrain, with results compared against traditional two-dimensional (2D) methods. Second, three vehicle types were defined to represent different automation levels, including human-driven vehicles (HDV), transition-stage AVs, and fully developed AVs, followed by a reliability-based risk assessment comparing ASD with stopping sight distance (SSD) required by these vehicles. The resulting probability of non-compliance (Pnc) served as a quantitative measure of design risk from insufficient sight distance. Finally, sensitivity analyses were conducted to explore how operational parameters and sensor configurations influence highway design risk levels. The research found that the 3D method provided a more accurate, location-sensitive evaluation of ASD, while the 2D method often overestimated sight distance, especially on combined horizontal and vertical curves. The 3D-based risk assessment indicated an overall reduction in risk with increasing automation, although some cases showed higher risk for fully developed AVs. Segment- and curve-level analyses showed that fully developed AVs face higher risks on sharp curves with limited visibility due to assumptions of strict speed compliance and comfort-based braking rates. Sensitivity analysis showed that increasing deceleration rates can substantially reduce AV risks, while raising sensor height offers limited benefits. This integrated framework highlights the value of combining LiDAR technology and reliability theory for estimating Pnc as a 3D risk index. P𝚗c can guide manufacturers in adjusting operating parameters (e.g., speed and braking rates) or provide targeted system training at high-risk locations, while also helping road agencies prioritize design improvements to support road infrastructure readiness and safer transitions to full driving automation.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».