Responsible AI Framework for Autonomous Vehicles: Addressing Bias and Fairness Risks
Notice bibliographique
Résumé
Autonomous Vehicles (AVs) hold immense potential to revolutionize transportation, yet their deployment raises significant concerns regarding safety, security, and ethical considerations. Furthermore, the increased use of automation, edge computing, and Artificial Intelligence (AI), fueled by generative AI technology, has increasingly elevated the risks of AI. Most of the existing research only covers ethical components and lacks the breadth of Responsible AI (RAI), while some have presented components such as justice and solidarity but do not provide an approach or mechanism to implement those in an AI-based system. This paper addresses these gaps by proposing a comprehensive RAI framework for AVs with four key contributions. First, it provides an in-depth analysis of AI risks in AVs, encompassing safety, security, ethical, and legal domains, offering a structured classification to guide developers and regulators. Second, it introduces a holistic RAI framework that spans the AI lifecycle, identifying and mitigating risks at each AV system development and deployment stage. Third, the paper focuses on bias and fairness within AV systems, outlining precise techniques for bias detection and mitigation across data collection, algorithm design, and real-time decision-making. Lastly, the research presents bias removal simulations using publicly available AV datasets, evaluating mitigation strategies such as synthetic data generation and algorithmic fairness analysis. The proposed framework and simulations provide a practical foundation for integrating RAI principles into AV development, ensuring safer, fairer, and more accountable AI-driven mobility solutions.
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 | 0,002 | 0,004 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| 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 ».