相关实验视频
Updated: Jun 28, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
因此,SMIRK是安全的:行人自动紧急制动系统中的机器学习组件的安全案例
Markus Borg1,2, Jens Henriksson3, Kasper Socha1,2
1RISE Research Institutes of Sweden, Lund, Sweden.
Software quality journal
|April 16, 2024
概括
本研究为基于ML的行人自动紧急制动系统 (SMIRK) 提供了一个安全案例. 研究人员应用了用于自主系统 (AMLAS) 的机器学习保证框架,以证明汽车系统中的ML组件安全性.
科学领域:
- 汽车安全工程 汽车安全工程
- 机器学习验证验证
- 软件认证 软件认证
背景情况:
- 将机器学习 (ML) 集成到关键系统中,给软件认证带来了重大挑战.
- 现有的安全标准,如ISO 21448 SOTIF和用于自主系统 (AMLAS) 的机器学习保证,提供高级指导,但需要具体的应用.
- 为基于机器学习的汽车系统开发强大的安全保证方法至关重要.
研究的目的:
- 在开放的汽车系统中展示ML组件的完整安全案例.
- 将AMLAS框架应用于特定的基于ML的演示器 (SMIRK).
- 为研究界提供可重复使用的资源.
主要方法:
- 开发并将AMLAS框架应用于SMIRK行人自动紧急制动系统.
- 专注于最小化的操作设计领域,用于详细的安全案例构建.
- 使用行业级模拟器进行现实的测试和验证.
主要成果:
- 成功证明了SMIRK.的基于ML的集成组件的完整安全案例.
- 在汽车行业中提供了AMLAS框架的实际应用.
- 在开源许可证下共享SMIRK演示器及其安全案例.
结论:
- 该研究验证了AMLAS对于基于ML的汽车安全保证的适用性.
- 开源示范器和安全案例促进了该领域的进一步研究和开发.
- 工业与学术界的合作对于推进自主系统的安全工程是有效的.
更多相关视频
07:15Tactile Vibrating Toolkit and Driving Simulation Platform for Driving-Related Research
Published on: December 18, 2020
4.5K
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
10.4K
