MétaCan
Menu
Retour à la cohorte
Enregistrement W4385467238 · doi:10.1139/dsa-2023-0029

Navigating the skies: examining the FAA’s remote identification rule for unmanned aircraft systems

2023· article· en· W4385467238 sur OpenAlexvenueno aff
Abhishek Phadke, Josh Boyd, F. Antonio Medrano, Michael J. Starek

Notice bibliographique

RevueDrone Systems and Applications · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAir Traffic Management and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSoftware deploymentNational Airspace SystemAeronauticsAviationDroneLicenseIdentification (biology)EngineeringComputer scienceAerospace engineering

Résumé

récupéré en direct d'OpenAlex

As technology and innovations in unmanned aerial vehicles progress, so does the need for regulations in place to create safe and controlled flying scenarios. The Federal Aviation Administration (FAA) is a governing body under the United States Department of Transportation that is responsible for a wide range of regulatory activities related to the United States airspace. In a recently published final rule, the FAA addresses several concerns such as the need for a system to identify all aircrafts flying in national airspace, as well as the implementation of a separate system from the prevalent Automatic Dependent Surveillance–Broadcast system to prevent interference with manned aircrafts. Their solution to these concerns is the deployment of remote identification (RID) on all unmanned aircraft systems (UAS) flying under its implied jurisdiction. While US governing agencies retain the use of the word UAS for now, the International Civil Aviation Organization terminology is remotely piloted aircraft systems. The FAA describes the RID implementation as a “ Digital license plate” for all UAS flying in the United States airspace. They outline additional policies including several options for compliance, operating rules, and design and production guidelines for manufacturers. As the September 2023 deadline for compliance draws near, this article highlights possible deployment applications and challenges.

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)0,009
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,079
Score d'incertitude au seuil0,158

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,024
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0050,004
Communication savante0,0080,007
Science ouverte0,0030,002
Intégrité de la recherche0,0050,007
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,019
Tête enseignante GPT0,249
Écart entre enseignants0,231 · 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'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDrone Systems and ApplicationsMême sujetAir Traffic Management and OptimizationTravaux en français237 207