Compare and Contrast LiDAR and Non-LiDAR Technology in an Autonomous Vehicle: Developing a Safety Framework
Notice bibliographique
Résumé
Abstract Safety has always been paramount in every vehicle we drive, and for years a driver has been synonymous with driving. However, with the advent of technology, we are now on the verge of having an Autonomous Vehicle wherein the control of the vehicle is gradually transferred to Artificial Intelligence. There is public clamour regarding the safety of such vehicles. Regarding safety, a human driver relies heavily on what the driver can see. Some factors that make driving safe are seeing the surroundings, controlling the vehicle, being able to react, and perceiving what will happen. With Autonomous Vehicles, these factors did not change. These vehicles rely on what they see using two technologies; LiDAR and Non-LiDAR. This study developed an Image Processing Model that takes input from the two technologies using Supervised Learning to make the Autonomous Vehicle see and be aware of its surroundings. The study also developed a Safety Framework measuring the ability of the two technologies to gather images fed into the Image Processing Model for comparing and contrasting. The study also proposed Experimental Research to create a baseline on the safety of an Autonomous Vehicle compared with a human driver in a controlled environment. The result of the proposed research can be a basis for trusting the Autonomous Vehicle if it performs at par with the performance of a human driver in the simulation developed in this study.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».