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

Machine Learning Verification and Safety for Unmanned Aircraft - A Literature Study

Torens, Christoph und Jünger, Franz und Schirmer, Sebastian und Schopferer, Simon und Maienschein, Theresa Diana und Dauer, Johann C. (2022) Machine Learning Verification and Safety for Unmanned Aircraft - A Literature Study. In: AIAA SciTech 2022 Forum. AIAA SCITECH 2022 Forum, 2022-01-03 - 2022-01-07, San Diego, California. doi: 10.2514/6.2022-1133. ISBN 978-162410631-6.

[img] PDF - Nur DLR-intern zugänglich
326kB

Offizielle URL: https://arc.aiaa.org/doi/10.2514/6.2022-1133

Kurzfassung

Machine learning (ML) has proven to be the tool of choice for achieving human-like or even super-human performance with automation on specific tasks. As a result, this data-driven approach is currently experiencing massive interest in all industry domains. This increased use also applies for the safety critical aviation domain. With no human pilot on board, the potential use cases of ML for unmanned aircraft are particularly promising. Even upcoming Urban Air Mobility (UAM) concepts are planning to remove the onboard pilot and instead use ML to support a remote pilot, possibly supervising a fleet of vehicles. However, the verification of ML algorithms is a challenging problem, since established safety standards and assurance methods are not applicable. Thus, this work comprises a literature study on the topic of ML verification and safety. This research paper uses a systematic approach to map and categorize the research and focus on specific subtopics that are of particular interest in the context of existing guidance documents.

elib-URL des Eintrags:https://elib.dlr.de/148341/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Machine Learning Verification and Safety for Unmanned Aircraft - A Literature Study
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Torens, ChristophChristoph.Torens (at) dlr.dehttps://orcid.org/0000-0002-0651-4390NICHT SPEZIFIZIERT
Jünger, FranzFranz.Juenger (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Schirmer, Sebastiansebastian.schirmer (at) dlr.dehttps://orcid.org/0000-0002-4596-2479NICHT SPEZIFIZIERT
Schopferer, SimonSimon.Schopferer (at) dlr.dehttps://orcid.org/0000-0001-5254-3961NICHT SPEZIFIZIERT
Maienschein, Theresa DianaTheresa.Maienschein (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Dauer, Johann C.Johann.Dauer (at) dlr.dehttps://orcid.org/0000-0002-8287-2376NICHT SPEZIFIZIERT
Datum:3 Januar 2022
Erschienen in:AIAA SciTech 2022 Forum
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.2514/6.2022-1133
ISBN:978-162410631-6
Status:veröffentlicht
Stichwörter:literature study, machine learning, verification and validation, certification, safety-critical, taxonomy, artificial intelligence
Veranstaltungstitel:AIAA SCITECH 2022 Forum
Veranstaltungsort:San Diego, California
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:3 Januar 2022
Veranstaltungsende:7 Januar 2022
Veranstalter :AIAA SCITECH 2022 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 13:38
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.