MétaCan
Menu
Retour à la cohorte
Enregistrement W4212986773 · doi:10.1139/dsa-2021-0044

DAAMSIM: A simulation framework for establishing detect and avoid SYSTEM requirements

2022· article· en· W4212986773 sur OpenAlexvenueaboutno aff
Iryna Borshchova, Kristopher Ellis

Notice bibliographique

RevueDrone Systems and Applications · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueTarget Tracking and Data Fusion in Sensor Networks
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSituation awarenessComputer scienceFunction (biology)National Airspace SystemVisualizationReal-time computingSystem requirementsFunctional requirementSystems engineeringSimulationData miningEngineeringAir traffic controlSoftware engineeringOperating system

Résumé

récupéré en direct d'OpenAlex

Performance requirements for detect, alert, and avoid (DAA) systems for remotely piloted aircraft systems (RPAS) are under development by many regulatory agencies and standards bodies. A DAA system can be decomposed into three functions, “detect” — situational awareness; “alert” — determination of traffic that may be in conflict, evaluation of the de-conflicting flight path, and informing the pilot-in-command; and “avoid” — avoidance maneuver execution, and determination of “clear of conflict”. The “Detect” function of a DAA system depends on the sensor, target, and environment characteristics (e.g., signal-to-noise ratio of the target vs. background). The “alert” function depends on conflict prediction algorithms and human factors requirements. The “avoid” function depends on the RPAS maneuvering performance, airspace “rules”, and the size of the protection volume. The aforementioned factors impact the time required to calculate, and execute, an avoidance maneuver that will guarantee a prescribed miss distance, and dominate the “detect” requirements of a sensor. This paper describes DAAMSim: a publicly available modeling and simulation framework, developed by the National Research Council of Canada, to support the determination of DAA system requirements, and evaluation of DAA system performance. The framework described herein incorporates the functional components including various sensor, tracker, and avoid models; data replay; visualization tools; and offline metrics. Further, this paper presents sample results of the framework’s ability to determine DAA system requirements for various degrees of RPAS and intruder performance, and concludes with a description of future work activities.

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)0,003
score de la tête « metaresearch » (Gemma)0,007
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 enseignants0,043
Score d'incertitude au seuil0,085

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0040,002
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 Opus0,028
Tête enseignante GPT0,282
Écart entre enseignants0,253 · 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

Citations8
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDrone Systems and ApplicationsMême sujetTarget Tracking and Data Fusion in Sensor NetworksTravaux en français237 207