Unsupervised machine learning method for analysis of snowfall datarecorded from test vehicle
Notice bibliographique
Résumé
Systems that rely on the recognition of surroundings, such as autonomous vehicles (AVs) and unmanned aerial vehicles (UAVs), can be severely affected by weather stressors like rain and snow. Their proper functioning depends on advanced driverassistance systems (ADAS) which consist of sensing devices such as LiDAR, RADAR, and cameras. Low visibility range caused by intense precipitation as well as covering of sensor surfaces due to snow accumulation impede the operation of AVs at their full potential. Developing strategies to mitigate these factors is necessary to improve vehicle performance and ensure driver safety. For this, climatic wind tunnels (CWT), such as the one of the Automotive Centre of Excellence (ACE) team at Ontario Tech University, offer the possibility of simulating adverse conditions in controlled environments. Using this type of facility allows the generation of robust databases that cover different precipitation cases. However, it is necessary to use realistic precipitation parameters for this type of experiment, which remains a gap in literature. This paper proposes a Machine Learning-based method to identify recurring types of precipitation in southern Ontario. First, field measurements are performed on an outdoor test track using an SUV equipped with weather sensors. Then, a custom theoretical model is used to fit probability density functions (PDF) of particle size distributions (DSD) recorded during the experimental campaign. The parameters of the theoretical model form a data matrix which has its dimensionality reduced through Principal Component Analysis (PCA). From this new matrix, a K-means clustering model is used to identify patterns among the sampled cases. Finally, statistical analysis is performed within each cluster to identify its main features, such as average particle size, temperature, and relative humidity at the time of measurement. The results obtained represent a step forward for realistic climate simulations and more reliability for the design of adverse weather mitigation 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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».