ترجمه فارسی مقاله زمینه‌های بهبود برای وسایل نقلیه خودران: تحلیل یادگیری ماشینی از گزارش‌های عدم مشارکت

چکیده

Since 2014, the California Department of Motor Vehicles (CDMV) has compiled information from manufacturers of autonomous vehicles (AVs) regarding factors that lead to the disengagement from autonomous driving mode in these vehicles. These disengagement reports (DRs) contain information detailing whether the AV disengaged from autonomous mode due to technology failure, manual override, or other factors during driving tests. This paper presents a machine learning (ML) based analysis of the information from the 2023 DRs. We use a natural language processing (NLP) approach to extract important information from the description of a disengagement, and use the k-Means clustering algorithm to group report entries together. The cluster frequency is then analyzed, and each cluster is manually categorized based on the factors leading to disengagement. We discuss findings from previous years’ DRs, and provide our own analysis to identify areas of improvement for AVs.

چکیده به فارسی (ترجمه ماشینی)

از سال 2014 ، وزارت وسایل نقلیه موتوری کالیفرنیا (CDMV) اطلاعات مربوط به تولید کنندگان وسایل نقلیه خودمختار (AVS) را در مورد عواملی که منجر به انصراف از حالت رانندگی خودمختار در این وسایل نقلیه می شود ، گردآوری کرده است.این گزارش های Disengagement (DRS) حاوی اطلاعاتی است که آیا AV از حالت خودمختار به دلیل خرابی فناوری ، نادیده گرفتن دستی یا سایر عوامل در طی آزمایشات رانندگی جدا شده است.در این مقاله تجزیه و تحلیل مبتنی بر یادگیری ماشین (ML) از اطلاعات از DRS 2023 ارائه شده است.ما از یک رویکرد پردازش زبان طبیعی (NLP) برای استخراج اطلاعات مهم از توضیحات یک انصراف استفاده می کنیم و از الگوریتم خوشه بندی K-Means برای گزارش گروهی با هم استفاده می کنیم.سپس فرکانس خوشه ای مورد تجزیه و تحلیل قرار می گیرد و هر خوشه بر اساس عوامل منتهی به قطع ، به صورت دستی طبقه بندی می شود.ما در مورد یافته های DRS سالهای گذشته بحث می کنیم و تجزیه و تحلیل خودمان را برای شناسایی زمینه های بهبود برای AV ها ارائه می دهیم.