Synthetic Vision Databases for Runway Incursion Avoidance
Notice bibliographique
Résumé
For a number of years, we have encountered the problems with aircraft runway incursions, and ground vehicle runway incursions. Following the tragic accident at Tenerife on March 27th, 1977, involving a KLM 747 and Pam Am 747 airliners colliding in the fog, the industry has striven to improve the safety of ground operations or airport surface movements. A number of enabling technologies have been emerging that has made that possible. These include the following: 1. Geographical Information Systems, 2. Global Positioning Satellites (known as GPS), 3. Advances in Symbol Generation technology, 4. Increases in computing power deliverable at the cockpit. This paper discusses those technologies through the history of the projects that have put them into action. Industry trends have integrated those individual projects into a broader navigation paradigm, known as “Synthetic Vision”. This new idea seeks to broadly enhance the situational awareness of all phases of flight, including taxi, take-off, departure, enroute, arrival, approach, and finally landing, rollout, and taxi back to the gate. Synthetic Vision Systems (SVS) offer the hope of providing a significant decrease, or the eventual elimination of most types of runway incursions, at all of those airports for which synthetic vision databases shall be constructed. This paper shall introduce the composition and design of these databases, for a general audience. Finally, this paper will explore the current industry & regulatory developments, concluding with the emergence of commercial projects that seek to bring Runway Incursion Avoidance technology into the realm of commercial-off-the-shelf (COTS) solutions.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,017 |
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 ».