DAAMSIM: A simulation framework for establishing detect and avoid SYSTEM requirements
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle