elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Guidelines and Regulatory Framework for Machine Learning in Aviation

Torens, Christoph und Durak, Umut und Dauer, Johann C. (2022) Guidelines and Regulatory Framework for Machine Learning in Aviation. In: AIAA Science and Technology Forum and Exposition, AIAA SciTech Forum 2022. AIAA SCITECH 2022 Forum, 2022-01-03 - 2022-01-07, San Diego, California. doi: 10.2514/6.2022-1132. ISBN 978-162410631-6.

[img] PDF - Nur DLR-intern zugänglich
921kB

Offizielle URL: https://arc.aiaa.org/doi/10.2514/6.2022-1132

Kurzfassung

Automation and eventually autonomy are regarded as the enabler for upcoming Urban Air Mobility (UAM) / Advanced Air Mobility segment. Only they could enable unprecedented opportunities for scaling drones and air taxis to a large number of vehicles, making the services available for everyone. Artificial Intelligence (AI) in general, Machine Learning (ML) in particular promise a huge leap towards achieving high levels of automation and further autonomy. Nevertheless, the safety concerns and challenges regarding compliance to the existing software standards are more pressing then ever before. Existing regulatory framework for hardware and software items fail to provide adequate acceptable means of compliance for AI-based systems. Hence, there are currently a number of ongoing efforts to update and augment the current standards. This paper will give an overview of the existing and upcoming regulatory framework for certifying AI-based systems. It will elaborate the EASA documents, artificial intelligence roadmap, Concepts of Design Assurance for Neural Networks (CoDANN), CoDANN II, as well as the concept paper on first usable guidance for level I machine learning applications. Furthermore, suitable guidance from EuroCAE, RTCA, ASTM and AVSI will be discussed.

elib-URL des Eintrags:https://elib.dlr.de/148340/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Guidelines and Regulatory Framework for Machine Learning in Aviation
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Torens, ChristophChristoph.Torens (at) dlr.dehttps://orcid.org/0000-0002-0651-4390NICHT SPEZIFIZIERT
Durak, Umutumut.durak (at) dlr.dehttps://orcid.org/0000-0002-2928-1710NICHT SPEZIFIZIERT
Dauer, Johann C.Johann.Dauer (at) dlr.dehttps://orcid.org/0000-0002-8287-2376NICHT SPEZIFIZIERT
Datum:3 Januar 2022
Erschienen in:AIAA Science and Technology Forum and Exposition, AIAA SciTech Forum 2022
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.2514/6.2022-1132
ISBN:978-162410631-6
Status:veröffentlicht
Stichwörter:guidelines, standards, machine learning, certification, artificial intelligence, safety-critical, aviation
Veranstaltungstitel:AIAA SCITECH 2022 Forum
Veranstaltungsort:San Diego, California
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:3 Januar 2022
Veranstaltungsende:7 Januar 2022
Veranstalter :AIAA SCITECH Forum
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Luftfahrt
HGF - Programmthema:Komponenten und Systeme
DLR - Schwerpunkt:Luftfahrt
DLR - Forschungsgebiet:L CS - Komponenten und Systeme
DLR - Teilgebiet (Projekt, Vorhaben):L - Unbemannte Flugsysteme
Standort: Braunschweig
Institute & Einrichtungen:Institut für Flugsystemtechnik > Unbemannte Luftfahrzeuge
Institut für Flugsystemtechnik
Hinterlegt von: Torens, Christoph
Hinterlegt am:01 Feb 2022 13:49
Letzte Änderung:24 Apr 2024 20:46

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.