A Framework for Assessing Aircraft Detect and Avoid Systems Using Monte Carlo Simulations
Notice bibliographique
Résumé
The rapidly expanding use of remotely piloted aircraft systems (RPAS) in airspace historically dominated by traditional aviation has increased the potential for collisions.This issue, combined with the evolving Beyond Visual Line of Sight (BVLOS) regulations, highlights the critical importance of robust Detect and Avoid (DAA) systems.The Monte Carlo simulation framework presented evaluates different cooperative and non-cooperative DAA systems onboard RPAS ownships in conflict with an intruding aircraft.This framework incorporates the generation of traditional aircraft trajectories using historical flight data and the Remotely Piloted Aircraft (RPA) trajectories given flight parameters in a multitude of different flight scenarios (hover, straight line, survey pattern, etc.); the addition of sensor noise to the flight tracks to emulate the expected data out of the sensors; and finally, the prediction and resolution of conflicts.Results highlight the difference in risk ratio (Probability of Near Mid-Air Collision (NMAC) with mitigation versus without mitigation) between cooperative and non-cooperative sensors.Moreover, they show the need for appropriate selection of DAA sensor parameters, e.g., field of view (FOV), range, and acceptable uncertainties, to satisfy safety requirements.Firstly, I would like to express my deepest gratitude to my supervisors, Dr. Jeremy Laliberte and Dr. Iryna Borshchova, for their support, guidance throughout my research and master's program.Their ability to guide and lead me through the research process but also help fill in the gaps of my knowledge was an invaluable help in the completion of my academic journey.Without their time and patience shown towards
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) | 0,000 | 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 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 ».