Musterbewerbung fahrer

In der Fahrerverhaltensliteratur wurden mehrere Modelle vorgeschlagen; Beispiele für diese Modelle sind das hierarchische Steuerungsmodell, das GADGET-Matrix-Modell und das DRIVABILITY-Modell. Das hierarchische Steuerungsmodell basiert auf Michons Theorie. Es wurde allgemein als operationell, taktisch und strategisch auf der Grundlage der Zeitskalen, durch die sie arbeiten kategorisiert [2, 7]. Die traditionelle Forschung in DBM konzentrierte sich auf den Input eines einzelnen Treibers. Die aktuelle Richtung von Crowdsourcing-Erkennung und Big-Data-Analyse kann mit Fahrerverhaltensmodellen gekoppelt werden, um Einblicke in die aktuellen Straßenverhältnisse zu erhalten. Dazu gehören Staus, Straßentypen und Geschwindigkeitsbegrenzungen sowie die Vorhersage der Wetterbedingungen und des Rutschigkeitsgrads [30]. Das folgende Diagramm zeigt die Treiberpakete, die Fabrikam und Contoso für ihren DCH-kompatiblen Treiber erstellt haben. Im lose gekoppelten Beispiel werden drei separate Übermittlungen auf dem Windows Hardware Dev Center-Dashboard durchgeführt: eine für die Basis, eine für die Erweiterung und eine für die Komponente. Im eng gekoppelten Beispiel werden zwei Einreichungen durchgeführt: Basis und Erweiterung/Komponente.

Trotz der fortschreitenden Fortschritte in verschiedenen Aspekten der DBM kann nur eine begrenzte Anzahl von Erhebungen gefunden werden, die den wachsenden Umfang der Literatur überprüfen. Unter diesen wurden in [4, 5] Spurwechselmodelle überprüft, während Doshi und Trivedi [2] die Entwicklungen in der Vorhersage der Fahrerabsicht mit Schwerpunkt auf der Vorhersage der Flugbahn des Fahrzeugs in Echtzeit untersuchen. Arbeiten, die die Fähigkeiten der Fahrer und unterschiedliche Ansätze für Fahrermodelle abdecken, wurden kürzlich in [6] überprüft. Eine Überprüfung der kognitiven Komponenten des Fahrerverhaltens findet sich auch in [7], wo der Autor die Situationsfaktoren und Motive anspricht, die das Fahren beeinflussen. Die oben genannten Erhebungen zielen nur auf eine Teilmenge der DBM-Prozesse ab, so dass eine allgemeinere Überprüfung der verschiedenen Aspekte von DBM mit Schwerpunkt auf den neuesten Entwicklungen erforderlich ist. Insbesondere Fortschritte bei der Fahrzeugerfassung (sowie bei Smartphones), der V2V-Kommunikation (Vehicle-to-Vehicle) und Cloud-basierten Diensten ermöglichen eine beispiellose Ära der Datenerfassung, die es Forschern ermöglicht, anspruchsvollere DBM zu entwickeln. Die heutige Entstehung von “Big Data”-Speicher- und Verarbeitungslösungen ist eine weitere technologische Entwicklung, die voraussichtlich auch neue Wege der Forschung und Erforschung in DBM beschreiten wird. Ziel dieser Erhebung ist es daher, einen Überblick über die jüngsten Anwendungen und Forschungsbereiche im DBM zu geben und die wichtigsten zukünftigen Richtungen hervorzuheben. Wir glauben, dass ein solches hochmodernes Werk notwendig ist, um diejenigen zu unterstützen, die sich in diesem sich entwickelnden Bereich einsteigen lassen möchten.

Um dies zu erreichen, organisieren wir die Umfrage in den folgenden Abschnitten:(i)Abschnitt 2 bietet zunächst eine Einführung in die Komponenten und Phasen, die an der Modellierung des Treiberverhaltens beteiligt sind, die verschiedenen Eingabeformen und die primären Modellierungsansätze. ii) In Abschnitt 3 werden die typischen Anwendungen und Anwendungen von DBM mit Schwerpunkt auf ADAS und den aufstrebenden autonomen Fahrzeugen erläutert. iii) In Abschnitt 4 werden grundlegende Modellierungsziele im Detail überprüft. Die Ziele sind die spezifischen Forschungskomponenten, die die Entwicklung der zuvor erwähnten Anwendungen ermöglichen. Dazu gehören Themen wie Vorhersageverhalten an Kreuzungen, Spurwechsel und Routenauswahl. iv) Simulationsbasierte und datengesteuerte Auswertungstechniken werden in Abschnitt 5 hervorgehoben.