Machine learning advancements for vehicle safety systems - Review of technical foundations and applications

Rapporten oppsummerer integreringen av maskinlæring (ML) i sikkerhetssystemer til moderne kjøretøy. Den senere tids utvikling innen ML har flyttet fokus fra tradisjonelle regelbaserte systemer til datadrevne, adaptive teknologier i bilers sikkerhetssystemene. Disse systemene inkluderer avansert førerassistanse, prediktivt vedlikehold, sanntids trafikkstyring, monitorering av kjøreradferd og autonom kjøring. ML omfatter et bredt spekter av metoder hvilket gir fleksibilitet for ulike implementeringer, som videre muliggjør mange ulike oppgaver. Moderne ML håndterer seg svært godt store variasjoner i data, men krever også store mengder data for å prestere optimalt. ML introduserer også utfordringer knyttet til “black box” problemet til modellene, som etiske og regulatoriske bekymringer, samt problemer relatert til personvern og cybersikkerhet. Disse utfordringene krever videre forskning på transparens i modellene, og rettferdighet og tillit til ML-drevne sikkerhetssystemer. Den økende produksjonen av kjøretøy- og trafikk-genererte data, fra ”Vehicle-to-Everything” kommunikasjon og smarte-byer infrastruktur, fremhever ytterligere ML sitt potensial i videre forbedring av sikkerhet i kjøretøy.