Situation awareness within the context of connected cars: A comprehensive review and recent trends

Golestan, Keyvan; Soua, Ridha; Karray, Fakhri; Kamel, Mohamed S.

doi:10.1016/j.inffus.2015.08.001

Cited by 86 publications

(60 citation statements)

References 67 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Level 1 (Object refinement) is in charge of translating perceptions into states of objects that model significant domain entities (e.g., persons and cars) in a local context (Golestan et al 2016).…”

Section: Data Models In Urban Security Domainmentioning

confidence: 99%

Models and architectures for emergency management

Giordani

Archetti

2016

J Ambient Intell Human Comput

View full text Add to dashboard Cite

Section: Data Models In Urban Security Domainmentioning

confidence: 99%

Models and architectures for emergency management

Giordani

Archetti

2016

J Ambient Intell Human Comput

View full text Add to dashboard Cite

“…Because MEBN is flexible enough to represent a variety of complex and uncertain situations, it has been applied to systems for Predictive Situation Awareness (PSAW), the problem of understanding and predicting aspects of a temporally evolving situation [Laskey et al, 2000] [Wright et al, 2002] [Suzic, 2005] [Costa et al, 2009] [Carvalho et al, 2010] [Park et al, 2014] [Golestan, 2016] [Li et al, 2017] [Park et al, 2017]. In a recent review of knowledge representation formalisms, Golestan et al [2016] recommended MEBN as having the most comprehensive coverage of features needed to represent complex problems among several artificial intelligence (AI) models including statistical relational models (e.g., Probabilistic Relational Models [Getoor & Taskar, 2007] and Markov Logic Networks [Richardson & Domingos, 2006]).…”

Section: Introductionmentioning

confidence: 99%

MEBN-RM: A Mapping between Multi-Entity Bayesian Network and Relational Model

Park

Laskey

2019

Applied Sciences

View full text Add to dashboard Cite

Keywords: Mapping Model Probabilistic Graphical Model Multi-Entity Bayesian Networks Relational Model Statistical Relational Learning MEBN Modelling MEBN Machine Learning A B S T R A C TMulti-Entity Bayesian Network (MEBN) is a knowledge representation formalism combining Bayesian Networks (BN) with First-Order Logic (FOL). MEBN has sufficient expressive power for general-purpose knowledge representation and reasoning. Developing a MEBN model to support a given application is a challenge, requiring definition of entities, relationships, random variables, conditional dependence relationships, and probability distributions. When available, data can be invaluable both to improve performance and to streamline development. By far the most common format for available data is the relational database (RDB). Relational databases describe and organize data according to the Relational Model (RM). Developing a MEBN model from data stored in an RDB therefore requires mapping between the two formalisms. This paper presents MEBN-RM, a set of mapping rules between key elements of MEBN and RM. We identify links between the two languages (RM and MEBN) and define four levels of mapping from elements of RM to elements of MEBN. These definitions are implemented in the MEBN-RM algorithm, which converts a relational schema in RM to a partial MEBN model. Through this research, the software has been released as a MEBN-RM open-source software tool. The method is illustrated through two example use cases using MEBN-RM to develop MEBN models: a Critical Infrastructure Defense System and a Smart Manufacturing System. 7

show abstract

“…O nível intermediário de SAé a Compreensão, queé responsável por integrar e compreender o significado das informações percebidas, sendo composto pela agregação de situações (associação), medição das propriedades das situações (avaliação), estimação de situações (inferência) e medições de capacidade, oportunidade e intenção da situação (avaliação de impacto) [5].…”

Section: Introductionunclassified

“…Agentes autônomos usualmente empregam múltiplos sensores para possibilitar a captura de diferentes aspectos do ambiente. Nestes casos,é necessário que o agente tenha a capacidade de realizar um processo conhecido como fusão de dados, que inclui a fusão dos dados de baixo nível produzidos por sensores físicos, o reconhecimento de entidades relacionadas ao contexto para formar uma figura unificada do ambiente e identificação das correlações existentes entre entidades e situações [5,7].…”

Section: Introductionunclassified

“…A pesquisa naárea de Fusão de Informação fraciona o processo de fusão de dados sensoriais em quatro níveis funcionais, que são detalhados na Seção 2.1 [8,7]. Os níveis de fusão de dados podem ser relacionados aos níveis de SA propostos por Endsley [2], uma vez que a fusão de dados de baixo nívelé inerente ao nível de Percepção do agente e o produto do processo de fusão de dados de alto nível corresponde a ter alcançado a Consciência Situacional do agente [5].…”

Section: Introductionunclassified

See 1 more Smart Citation

Data Fusion through Fuzzy-Bayesian Networks for Belief Generation in Cognitive Agents

Mittelmann

Marchi

Wangenheim

2019

RITA

View full text Add to dashboard Cite

Situation Awareness provides a theory for agents decision making to allow perception and comprehension of his environment. However, the transformation of the sensory stimulus in beliefs to favor the BDI reasoning cycle is still an unexplored subject. Autonomous agent projects often require the use of multiple sensors to capture environmental aspects. The natural variability of the physical world and the imprecision contained in linguistic concepts used by humans mean that sensory data contain different types of uncertainty in their measurements. Thus, to obtain the Situational Awareness for Agents with physical sensors, it is necessary to define a data fusion process to perform uncertainty treatment. This paper presents a model to beliefs generation using fuzzy-bayesian inference. An example in robotics navigation and location is used to illustrate the proposal.Resumo: Aárea de Consciência Situacional provê uma teoria que embasa a tomada de decisão em agentes, de forma a permitir a percepção e a compreensão do ambiente em que o agente está inserido. Contudo, a transformação de estímulos sensoriais em crenças que favoreçam o ciclo de raciocínio em agentes BDI aindá e umaárea pouco explorada. Projetos de agentes autônomos frequentemente demandam a utilização de múltiplos sensores para possibilitar a captura de aspectos do ambiente. A variabilidade natural do mundo físico e a imprecisão contida em conceitos linguísticos utilizados por humanos fazem com que os dados sensoriais contenham diferentes tipos de incerteza em suas medidas. Deste modo, para possibilitar a obtenção da Consciência Situacional de Agente com sensores físicos,é necessário definir um processo de fusão de dados que realize tratamento de incerteza. Este trabalho apresenta um modelo para geração de crenças, utilizando inferência Fuzzy-Bayesiana. Para ilustrar a proposta, um exemplo em navegação e localização robóticaé utilizado.

show abstract

Situation awareness within the context of connected cars: A comprehensive review and recent trends

Cited by 86 publications

References 67 publications

Models and architectures for emergency management

Models and architectures for emergency management

MEBN-RM: A Mapping between Multi-Entity Bayesian Network and Relational Model

Data Fusion through Fuzzy-Bayesian Networks for Belief Generation in Cognitive Agents

Contact Info

Product

Resources

About