Leveraging the GIDAS Database for the Criticality Analysis of Automated Driving Systems
Notice bibliographique
Résumé
A safe introduction of automated driving systems on urban roads requires a thorough understanding of the traffic conflicts and accidents. This understanding is paramount to constructively safeguard these systems, i.e., to design a system that exhibits an adequate performance even in critical situations. In this work, we present an approach to gather knowledge by analyzing the German In-Depth Accident Study (GIDAS) database, which is representative of all German traffic accidents, along with the influencing factors that are hypothesized to be associated with increased criticality in relation to automated driving. In order to gain an insight into the risk associated with these factors in real-world accidents, we determine their presence in the database’s accident cases within a selected operational domain, enabled by translation from a natural language description to the database scheme employed by GIDAS. This initial catalog as well as the subsequent statistical considerations is motivated by analyzing the criticality for automated driving systems in urban areas. Based on this catalog, our work delineates a method for quantification of risk associated with such influencing factors in a given operational domain based on real-world accident data. This quantification can subsequently be used in decompositional, scenario-based risk assessment before system design and for the embedding safety argumentation. This paper, therefore, provides a blueprint of how the matured field of traffic accident research studies and its results, in particular accident databases, can be leveraged for risk assessment of the operational domain of automated driving systems.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».