在公共道路上大规模的自动车辆部署有可能大大改变当今社会的运输方式。尽管这种追求是在几十年前开始的，但仍有公开挑战可靠地确保此类车辆在开放环境中安全运行。尽管功能安全性是一个完善的概念，但测量车辆行为安全的问题仍然需要研究。客观和计算分析交通冲突的一种方法是开发和利用所谓的关键指标。在与自动驾驶有关的各种应用中，当代方法利用了关键指标的潜力，例如用于评估动态风险或过滤大型数据集以构建方案目录。作为系统地选择适当的批判性指标的先决条件，我们在自动驾驶的背景下广泛回顾了批判性指标，其属性及其应用的现状。基于这篇综述，我们提出了一种适合性分析，作为一种有条不紊的工具，可以由从业者使用。然后，可以利用提出的方法和最新审查的状态来选择涵盖应用程序要求的合理的测量工具，如分析的示例性执行所证明。最终，高效，有效且可靠的衡量自动化车辆安全性能是证明其可信赖性的关键要求。
translated by 谷歌翻译
在使用描述逻辑本体论时，理解描述逻辑推理器得出的需要并不总是直接。到目前为止，标准的本体编辑器prot \'eg \'e提供了两种服务来帮助：（黑盒）owl 2 dl本科学的理由，以及（玻璃盒）对轻质猫头鹰的证明，后者在其中利用后者利用了。推理麋鹿的证明设施。由于理由通常不足以解释推论，因此仅几乎没有工具支持来解释更具表现力的DLS中的推论。在本文中，我们介绍了Evee-libs，这是一个用于计算DLS到炼金术的Java库和Evee-Protege，这是一个prot \'eg'eg'e插件的集合，用于在prot \'eg'eg'e中显示这些证明。我们还简要介绍了最新版本的evonne，这是一个更高级的独立应用程序，用于显示和与用evee-libs计算的证据进行交互。
translated by 谷歌翻译