Failure Mode Investigation to Enable LiDAR Health Monitoring for Automotive Application
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
Light Detection and Ranging (LiDAR) sensors are critical components of the perception system and play a significant role in enabling fully autonomous driving. Given that LiDARs have a higher failure rate than other sensors, such as camera and radar, it is crucial to monitor the health of this component to increasing the availability of autonomous driving features. Such a health monitoring system can additionally provide cost-effective maintenance for retail and fleet, improve the service experience of retail customers, and ensure the fidelity of the data produced by the LiDAR for engineering development. Since LiDAR is a relatively new technology, there is currently limited work in the area of LiDAR health monitoring. The failure modes and degradation behavior of these components have not been thoroughly studied in the literature for automotive applications. Therefore, this paper reviews LiDAR external and internal failure modes and their impacts on the perception performance. The external failure modes are categorized into multiple fault classes such as sensor blockage due to a layer of debris on the sensor, mechanical damage to the sensor cover, and mounting issues. The internal faults corresponding to LiDAR subcomponents such as transmitter, receiver or scanning mechanism, are explored for these LiDAR types: mechanical spinning, flash LiDAR, Micro-opto-electromechanical mirror LiDAR, and micromotion technology LiDAR. The failure modes of each subcomponent are also investigated to determine if they can be categorized as slow degradation or sudden failure. It is concluded that mechanical spinning LiDARs are expected to have higher failure rates than solid-state LiDARs. Both internal and external LiDAR failure modes can lead to reduced accuracy and reliability in detecting objects and obstacles, compromising the safety of autonomous driving systems, and increasing the possibility of collisions.
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 | 0,000 | 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 découle