Public Policy Challenges, Regulations, Oversight, Technical, and Ethical Considerations for Autonomous Systems: A Survey
Notice bibliographique
Résumé
One of the main features of autonomous control systems is solving complicated optimization problems without human intervention in the presence of uncertainty in real time[1]. Autonomous systems (ASs) must have the recognition and discretion potency, evaluation and estimate authority, and decision-making power to independently perform various tasks in a dynamic environment[3]. These systems have a variety of sensors to understand environmental information so that they can distinguish, evaluate, and make decisions based on them[2]. In addition to an autonomous single-agent system, the AS can be designed in the form of multiagents to identify high-risk, hazardous, or inaccessible areas[3],[4]. Robotics and AS fields have led to significant advances in a wide range of areas, including unmanned ground vehicles (UGVs), unmanned aerial vehicles (UAVs), unmanned maritime vehicles (UMVs), artificial intelligence (AI), and self-learning machines[5]. Navigation[6],[7], 3-D path following[8]for autonomous underwater vehicles (AUVs), AUVs for oceanographic research[9], and rescue robots[10]have benefited from the development of autonomy.
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 | 0,031 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,006 | 0,012 |
| Communication savante | 0,014 | 0,011 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,013 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».