Verbesserung der Sicherheit von verletzlichen Verkehrsteilnehmern durch kollektive Wahrnehmung: Eine empirische Analyse
Der Einsatz von Fahrzeug-zu-Fahrzeug-Kommunikation, insbesondere des Collective Perception Service (CPS), kann das Risiko der Verdeckung von verletzlichen Verkehrsteilnehmern deutlich reduzieren und ihre Sicherheit erheblich verbessern.
Generative Deep Learning Methode zur Modellierung der Unfallschwere bei unausgewogenen Daten
Die Studie entwickelt eine auf Conditional Tabular Generative Adversarial Networks (CTGAN) basierende Methode zur Generierung synthetischer Daten, um die Modellierung der Unfallschwere bei unausgewogenen Datensätzen zu verbessern. Die Ergebnisse zeigen, dass die vorgeschlagene Methode die Klassifizierungsgenauigkeit und Interpretationsleistung im Vergleich zu traditionellen Resampling-Methoden erhöht.
Sicheres Einfädeln in gemischten Verkehr mit Zuversicht
Entwicklung eines sicheren Einfädelungsansatzes für CAVs in gemischten Verkehr mit Zuversicht.
Analyse der Auswirkungen von vernetzten externen Schnittstellen in autonomen Fahrzeugen auf die Sicherheit und Erfahrung von Fußgängern
Interconnectede eHMIs verbessern die Sicherheit und das Verhalten von Fußgängern, erfordern jedoch klare Gestaltung und Nutzererziehung.
Effiziente Road Damage Detection durch Integration von GAN und Texture Synthesis
Effiziente Road Damage Detection durch Integration von GAN und Texture Synthesis zur Verbesserung der Sicherheit und Haltbarkeit von Straßen.
Ein hybrides Modell zur Erkennung von Verkehrsunfällen basierend auf Generative Adversarial Networks und Transformer-Modell
Ein hybrides Modell aus Transformer und Generative Adversarial Networks verbessert die Erkennung von Verkehrsunfällen durch Datenbalance und Leistungssteigerung.
Analyse der Verbesserung der Verkehrssicherheit durch LiDAR-basierte Baumfreigabeanalyse
Automatisierte Baumdetektion über Straßen zur Verbesserung der Verkehrssicherheit.
© 2024 by Linnk AI