MétaCan
Menu
Retour à la cohorte
Enregistrement W3144532567 · doi:10.4271/2021-01-1011

Autonomous Vehicle Safety Assessment with Fully Quantified ODDs

2021· article· en· W3144532567 sur OpenAlexaff
Andrew Smart, Chess Stetson, Kiran Jesudesan

Notice bibliographique

RevueSAE International Journal of Advances and Current Practices in Mobility · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueSafety Systems Engineering in Autonomy
Établissements canadiensStantec (Canada)
Organismes subventionnairesnon disponible
Mots-clésSoftware deploymentRisk analysis (engineering)Class (philosophy)Domain (mathematical analysis)Transport engineeringSafety standardsOddsVehicle safetySystem safetySafety caseComputer scienceFunctional safetyEngineeringComputer securityBusinessReliability engineeringAutomotive engineeringSoftware engineering

Résumé

récupéré en direct d'OpenAlex

We are in the midst of a vehicle safety revolution. Current vehicle safety standards, best practices, and approaches are not adequate to ensure the safety of an Automated Vehicle (AV), the motoring public, and vulnerable road users. Continued application of these nascent technologies prompts the question: How safe is safe enough and how do we know that these systems can handle inherent risks of a given deployment area? Current practices are very focused on vehicle safety elements. In fact, there is currently only one published safety standard, specifically for AVs [1], though there are instances where some vehicle system safety standards are being adapted for AV application and some safety standards from other industries (e.g. aerospace and nuclear) are being considered. Specific guidelines for AV safety metrics and AV safety performance are currently in the development stages and once published will require time to be fully understood, thresholds defined, and data collected and accepted by the AV community. A holistic approach to safety that considers all aspects of a safe AV deployment beyond increasing levels of vehicle technology is crucial. Included in this holistic approach, as a foundational element, is a fundamentally new way of assessing and quantifying risks within the Operational Design Domain (ODD). This is produced by breaking down the risk of a given ODD as a sum over the risk of component scenarios which make up the ODD. This means ODDs are fully specified and not defined by subjective assumptions. With no single standard, best practice, or guideline that covers AV safety in a holistic manner, an assessment process including a fully quantified ODD is seen as the most effective way to cover all aspects of safety, including the environment, management practices, and the vehicles.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,017
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0020,005
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,325
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE International Journal of Advances and Current Practices in MobilityMême sujetSafety Systems Engineering in AutonomyTravaux en français237 207