論文の概要: A Note on Tesla's Revised Safety Report Crash Rates

• arxiv url: http://arxiv.org/abs/2311.06187v2
• Date: Thu, 8 Aug 2024 14:58:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-09 20:59:13.792330
• Title: A Note on Tesla's Revised Safety Report Crash Rates
• Title（参考訳）: Tesla(テスラ)の安全レポートのクラッシュ率についての一考察
• Authors: Noah Goodall,
• Abstract要約: 2018年6月から2022年12月までの間に、TeslaはTesla車両の衝突事故の平均マイルを引用して四半期の安全レポートを発表した。 2021年3月以前、Teslaは事故率を1つに分類し、レベル2の自動走行システム「オートパイロット」、オートパイロットなし、自動緊急ブレーキなどアクティブな安全機能を備えた「オートパイロット」、アクティブな安全機能を備えた「オートパイロット」に分類した。 本項では、変更について記述し、相違の可能性について解説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Between June 2018 and December 2022, Tesla released quarterly safety reports citing average miles between crashes for Tesla vehicles. Prior to March 2021, crash rates were categorized as 1) with their SAE Level 2 automated driving system Autopilot engaged, 2) without Autopilot but with active safety features such as automatic emergency braking, and 3) without Autopilot and without active safety features. In January 2022, Tesla revised past reports to reflect their new categories of with and without Autopilot engaged, in addition to making small adjustments based on recently discovered double counting of reports and excluding previously recorded crashes that did not meet their thresholds of airbag or active safety restraint activation. The revisions are heavily biased towards no-active-safety-features$\unicode{x2014}$a surprising result given prior research showing that drivers predominantly keep most active safety features enabled. As Tesla's safety reports represent the only national source of Level 2 advanced driver assistance system crash rates, clarification of their methods is essential for researchers and regulators. This note describes the changes and considers possible explanations for the discrepancies.
• Abstract（参考訳）: 2018年6月から2022年12月までの間に、TeslaはTesla車両の衝突事故の平均マイルを引用して四半期の安全レポートを発表した。 2021年3月までに、事故率を分類した。 1SAEレベル2自動運転システム搭載。 2)オートパイロットがないが、自動緊急ブレーキ等のアクティブな安全機能を有する。 3)オートパイロットやアクティブな安全機能がない。 2022年1月、Teslaは過去のレポートを改訂し、Autopilotの関与の有無を反映し、最近発見されたレポートの2倍のカウントと、エアバッグやアクティブ・セーフティ・コントラストのアクティベーションのしきい値に届かなかった事故を除外した小さな調整を行った。 このリビジョンは、ドライバーがほとんどのアクティブな安全機能を有効に保っていることを示す以前の研究から見ても、意外な結果だ。 Teslaの安全レポートは、レベル2先進運転支援システムのクラッシュ率の唯一の国家的情報源であり、その方法の明確化は研究者や規制当局にとって不可欠である。 本項では、変更について記述し、相違点について解説する。

関連論文リスト

• ACAV: A Framework for Automatic Causality Analysis in Autonomous Vehicle Accident Recordings [5.578446693797519]
  近年の死者は、大規模な検査による安全性検証の重要性を強調している。 本稿では,AV事故記録の因果解析を行うための自動フレームワークACAVを提案する。 我々はアポロADSでACAVを評価し、110件の事故記録の93.64%で5種類の因果事象を特定できることを発見した。
  論文  参考訳（メタデータ） (2024-01-13T12:41:05Z)
• Evaluation of Infrastructure-based Warning System on Driving Behaviors-A Roundabout Study [7.992695585266211]
  本稿では,インフラベースの警告が運転行動にどのように影響し,ラウンドアバウト安全性を向上するかを検討した。 ミシガンのアン・アーバー(Ann Arbor)にある現実世界のラウンドアラウンドアラウンドは、共同シミュレーションプラットフォームで研究エリアとして建設された。 警告を表示する際にドライバの停止判断を予測するために,個別の意図予測モデルを開発した。
  論文  参考訳（メタデータ） (2023-12-06T20:31:22Z)
• Comparability of Automated Vehicle Crash Databases [0.0]
  規制当局と開発者は、自動走行車の衝突率とベースライン、人間主導の衝突率を比較する。 データベース間のクラッシュレートは、もしあれば、大きなフィルタリングと正規化のみと直接比較することができる。
  論文  参考訳（メタデータ） (2023-08-01T16:23:06Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• Sample-Efficient Safety Assurances using Conformal Prediction [57.92013073974406]
  早期警戒システムは、安全でない状況が差し迫ったときに警告を提供することができる。 安全性を確実に向上させるためには、これらの警告システムは証明可能な偽陰性率を持つべきである。 本稿では,共形予測と呼ばれる統計的推論手法とロボット・環境力学シミュレータを組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-28T23:00:30Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• An NCAP-like Safety Indicator for Self-Driving Cars [2.741266294612776]
  本稿では,自動運転車の安全性を評価するメカニズムを提案する。 車両が敵と衝突することを避けるシナリオにおいて、車両の安全性を評価する。 セーフカミカゼ距離(Safe-Kamikaze Distance)と呼ばれる安全対策は、安全な敵の軌道と安全な軌道に近いカミカゼ軌道との平均的な類似性を計算する。
  論文  参考訳（メタデータ） (2021-04-02T02:39:53Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Unsafe At Any Level: NHTSA's levels of automation are a liability for autonomous vehicle design and regulation [0.0]
  2018年3月23日、カリフォルニア州マウンテンビューのハイウェイバリアにTesla Model Xが衝突し、38歳のAppleエンジニアWalter Huangが亡くなった。 Teslaは事故の責任を直ちに否定した。 これはTeslaとUberの標準的な対応で、これまでの6件の致命的な事故に関与した自動車両のメーカーだ。
  論文  参考訳（メタデータ） (2020-02-29T18:22:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。