Simulation-based evaluation of the impact of perception sensor configuration on integrated safety of automated vehicle
Notice bibliographique
Résumé
Highly automated vehicles (AVs) (the SAE levels 4 - 5 [1]) rely on perception sensor information, including LiDARs, radars, and cameras. One of the most important factors to consider when equipping these sensors on AVs is the safety integrity level these sensors can provide for operation. The required level of safety in the area of safety-critical applications is determined from the target level of injury and fatality risk that should be assured [see e.g. 2]. This concept is being introduced in the field of automotive industries when developing the safety requirement of AVs [3]. In the automotive industry, safety analysis can be done by considering both active and passive safety (referred to as integrated safety). An active safety system targets to sense and prevent a possible collision, and a passive safety system targets to minimize the crash impact after collision. This study investigates the impact of perception sensor configurations on the safety integrity levels of automated vehicles by conducting simulations. At first, a Euro NCAP scenario is chosen as an example scenario for the simulation. Secondly, simulations are conducted using the Ansys driving simulator to simulate autonomous driving operations under different conditions. As inputs to the simulator, the sensor’s perception capability (maximum range and field of view), as well as initial velocity of ego and other vehicles and allowable deceleration, is chosen. As the output parameter, the impact speed in a collision is generated which has a direct relationship to the risk of fatality. The risk of fatality can be computed as a function of the resulting impact speed based on the published relationship between two parameters [4]. Lastly, a relationship between the sensor configuration and the risk of fatality (or safety integrity level) is analyzed using the obtained dataset. This study provides criteria for equipping various sensors in highly automated vehicles to ensure a high level of integrated safety. [1] Society of Automotive Engineers (SAE), “SAE-J3016: Taxonomy and Definitions for terms Related to Driving Automation Systems for On-Road Motor Vehicles”, Sep 2016. [2] ICAO, “ICAO AWOP/15 Report,” 15th meeting, Montreal 26 September-12 October 1994. [3] T. G. R. Reid, S. E. Houts, R. Cammarata, G. Mills, S. Agarwal, A. Vora, and G. Pandey, “Localization Requirements for Autonomous Vehicles,” SAE International Journal of CAV, vol. 2, no. 3, pp. 173-190, 2019. [4] Richards, DC. “Relationship between Speed and Risk of Fatal Injury: Pedestrians and Car Occupants,” Transport Research Laboratory, Department of Transport, London, UK: 2010.
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 ».