کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6965199 1452886 2018 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Definition of run-off-road crash clusters-For safety benefit estimation and driver assistance development
ترجمه فارسی عنوان
تعریف خوشه های تصادف دوردست - برای برآورد سود ایمنی و توسعه کمک راننده
کلمات کلیدی
سقوط هواپیمای بدون سرنشین، خروج جاده، نگهداری خط، اطلاعات خراب سناریوهای تست،
ترجمه چکیده
سوانح رانندگی تک جاده ای یک نگرانی عمده در مورد ایمنی ترافیکی هستند، چرا که آنها با میزان بالایی از نتایج کشنده همراه هستند. در رفع سقوط دور دوم، توسعه و ارزیابی سیستم های پشتیبانی پیشرفته راننده، نیازمند سناریوهای تستی است که نشانگر تغییرات موجود در تصادفات واقعی است. ما تجزیه و تحلیل خوشه سلسله مراتبی تجزیه و تحلیل برای تعریف شباهت در مجموعه ای از متغیرهای داده خرابی، این خوشه ها می تواند بعنوان پایه در توسعه سناریو تست مورد استفاده قرار گیرد. از 13 خوشه، 9 سناریو تست مشتق شده است که مربوط به تصادفات است که توسط: رانندگان جاده در روز و شب، خروج از سرعت بالا، خروج از زاویه بالا در جاده های باریک، بزرگراه ها، جاده های برف، کنترل در جاده های مرطوب، منحنی های تیز، و سرعت بالا در جاده ها با شرایط سطح جاده ای شدید. علاوه بر این، هر خوشه با توجه به متغیرهای تصادف مربوط به علت سقوط و علت خروج ناخواسته آن، مورد تجزیه و تحلیل قرار گرفت. این مطالعه نشان می دهد که تجزیه و تحلیل خوشه ای داده های نمایه، یک روش آماری مبتنی بر شناسایی ویژگی های مربوط به سناریوهای آزمون های راه دور را فراهم می کند. این امر برای حمایت از توسعه اقدامات ضد جاده ای مبتنی بر وسیله نقلیه و مدل های رفتار راننده که در آزمایش مجازی استفاده می شود، مورد حمایت قرار گرفت. مطالعات آینده باید از رفتار راننده از داده های رانندگی طبیعتا استفاده کند تا بیشتر تعریف کند که چگونه باید تست سناریوها و مکانیسم های عاطفی رفتاری را شامل شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی شیمی بهداشت و امنیت شیمی
چکیده انگلیسی
Single-vehicle run-off-road crashes are a major traffic safety concern, as they are associated with a high proportion of fatal outcomes. In addressing run-off-road crashes, the development and evaluation of advanced driver assistance systems requires test scenarios that are representative of the variability found in real-world crashes. We apply hierarchical agglomerative cluster analysis to define similarities in a set of crash data variables, these clusters can then be used as the basis in test scenario development. Out of 13 clusters, nine test scenarios are derived, corresponding to crashes characterised by: drivers drifting off the road in daytime and night-time, high speed departures, high-angle departures on narrow roads, highways, snowy roads, loss-of-control on wet roadways, sharp curves, and high speeds on roads with severe road surface conditions. In addition, each cluster was analysed with respect to crash variables related to the crash cause and reason for the unintended lane departure. The study shows that cluster analysis of representative data provides a statistically based method to identify relevant properties for run-off-road test scenarios. This was done to support development of vehicle-based run-off-road countermeasures and driver behaviour models used in virtual testing. Future studies should use driver behaviour from naturalistic driving data to further define how test-scenarios and behavioural causation mechanisms should be included.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Accident Analysis & Prevention - Volume 113, April 2018, Pages 97-105
نویسندگان
, , , ,