每个分数都有一个理由
每个分数都对其背后的确切行为进行了简单的解释——运营商、决策者和监管者都可以遵循它。
YAS 平台
YAS 引擎如何工作。
YAS 将机器的行为转变为清晰的实时风险评分 - 因此运营商可以运营更安全的车队，保险公司也可以支持更好的定价。持牌保险公司保留每项定价决策的权力。
0.00M
行程得分
0M km
里程数
0K
驾驶时间
0.0 TB
远程信息处理档案
三步
每个分数都落后三步。
捕获实时数据，对风险进行评分，然后指导更安全的行为并根据实际结果完善模型。
遥测源
- 电动车
- 自动驾驶汽车
- 无人机
- 机器人
- 01
捕获和上下文
遥测管道代理
技术支持：事件 API & SDK + ODD 引擎
捕获每个机器信号，然后用其发生的条件标记每个信号。
- 02
分数
风险评分代理
技术支持：评分模型
大约 100 个因素构成一个分数，并显示是什么推动了它。
- 03
反馈回路
辅导/校准代理
技术支持：辅导和真实主张
指导风险行为降低，并根据真实主张重新调整模型 - 因此下一个分数会更高。
一个分数，多个利益相关者
更快的操作行动
风险行为浮现并被引导——更安全的操作，更低的损失。
对于运营商风险定价更优惠
为定价提供信息的可解释的因子级风险视图。
对于核保人员及资本实时投资组合风险
通过警报近乎实时地监控投资组合和行程级别的风险。
对于风险团队
活动 API & SDK
每个信号在发生的那一刻就被捕获。
车辆中的一个小设备记录它的移动方式——运动和GPS，每秒多次——并当场清理数据。在云端，每次行程都与实时天气和行驶的确切道路相匹配。
运动和方向
车内IMU：向前、横向和垂直加速度、俯仰/滚动/偏航、旋转速率、G 力和航向。
位置及行程
GPS 位置、速度、路线和海拔，以及每次行程的距离、持续时间和时区。
天气
实时降雨量、温度、UV指数、湿度和活跃天气警报。
道路及路线
地图匹配的道路等级、路面、环境、速度限制、城市密度、曲率和海拔。
机器遥测
留下的信号 靠近机器。
YAS 捕获靠近源的四个原始源——运动、位置、天气和道路——并将它们转化为一个行为感知记录。
运动
前进加速度横向加速度垂直加速度旋转和航向
职位
地点速度课程行程形状
天气
降雨量温度UV指数湿度
道路
公路类表面限速环境
运动
前进加速度
沿行进方向制动和油门。
运动
横向加速度
转弯力，从一侧到另一侧。
运动
垂直加速度
道路冲击和表面粗糙度。
运动
旋转和航向
俯仰、横滚、偏航、旋转速率和罗盘航向。
职位
地点
纬度、经度和高度，连续采样。
职位
速度
每个样本的地面速度从 GPS 开始。
职位
课程
地面上的行进方向。
职位
行程形状
距离、持续时间、起点/终点以及行程中心和半径。
天气
降雨量
实时地区级降雨量。
天气
温度
不同地点的环境温度。
天气
UV指数
UV 级别和曝光带。
天气
湿度
相对湿度，加上主动天气警报。
道路
公路类
高速公路、小学、中学、住宅等。
道路
表面
铺砌、沥青和表面质量。
道路
限速
发布了该路段的最大速度。
道路
环境
隧道、桥梁和城市密度。
活动 SDK
从设备到验证记录，只需几行。
车载 SDK 在边缘捕获运动，GPS 在本地进行预处理和批处理，然后安全同步 — 上下文、评分和证明发生在下游。
Yas SDK ·Swift
// Configure the in-vehicle edge SDK
let yas = Yas.configure(
trackerId: "TRK-3194",
vehicleId: "EV-0427"
)
// Start a trip — motion + GPS captured at the edge
let trip = yas.startTrip(type: .passenger)
// Samples stream as the machine moves
trip.onSample { s in
// s.xyAcceleration · s.zAcceleration · s.location
}
// End → batched, synced, scored downstream
let record = await yas.endTrip(trip)
print(record.auraScore) // 0–100数据上下文注释
在真实的背景下阅读风险。
如果没有上下文，原始遥测数据就没有意义。在干燥的高速公路上，硬刹车并不引人注目，但在学区的潮湿下坡路中却令人震惊。
ODD 引擎用事件发生的确切条件（道路、速度、天气、密度）来标记每个事件，因此风险是在上下文中而不是在抽象中读取的。这段历史也是一条护城河：新来者无法回去标记从未记录过的路况，而我们的护城河随着每次旅行而成长。
Operational Design Domain
- 公路类
- 速度状态
- 曲率
- 渐变
- 车道
- 表面
- 城市文脉
- 道路环境
- 交通密度
- 天气
17M km
已经 ODD -注释曝光
我们追踪的风险因素
超速行驶
- 超速频率
- 超速强度
- 交通相关超速
- 特定环境超速
- 弯道超速
纵向控制
- 制动频率
- 加速频率
- 分级调整制动强度
- 坡度感知加速度强度
- 滚停频率
稳定性和机动性
- 高重力事件
- 突然变道
- 行驶稳定性（弯道）
- 急动平滑度
驱动状态
- 疲劳信号
环境和背景风险
- 路面风险
- 作业区域密度
- 与天气相关的频率
- 阳光眩光风险
- 高风险区域地理围栏
效率
- 怠速过度
“一整类机器——自主车队、机器人、类人机器人——在没有真正衡量其风险的情况下运行。 YAS 改变了这一点：操作员终于可以看到每台机器运行的安全性、减少损失并赢得扩大规模的信任。”
评分模型
在一个尺度上对任何机器进行评分。
YAS 将每次行程分解为大约一百个风险因素，并将它们汇总为一个分数 - 对于任何地方的任何车辆、车队或机器，其评分标准相同。
- 〜100
- 标准化危险因素
- 17
- 安全参数
- 1,277,329
- 追踪电动汽车车队行程
它本身就解释了。当评分移动时， YAS 显示哪些行为移动了它——而不仅仅是它发生了变化。这个“原因”才是核保人员实际可以采取的行动。
分数是如何建立的
AURA 分数
1
行为追踪
2
分解
3
对每个指标进行评分
4
标准化分数
5
行为奖励
6
校准
使用案例
五个产品视图。一个实时信号。
五个产品视图展示了 YAS 如何将原始机器遥测数据转化为风险情报——跟踪机器、暴露风险以及让车队运营商和保险公司合作伙伴保持同一信号。
01 / 05
实时机器跟踪
特色01
一张地图上的每台活动机器
送货机器人、电动出租车、 AVs — 具有实时速度、 AURA 分数和事件标志。 Robot-07 在途中停止：速度异常标记，触发策略审查。
密码学起源
一份经过验证的记录，无人能质疑。
只有当运营商之外的人信任它时，分数才算数。 YAS 将每一条记录变成证据，三保。
密码学起源
从捕获到证明的防篡改链。该记录不能追溯更改。
结构中立
操作员不能编辑自己的记录。防火墙是架构性的，而不是契约性的。
受监管的地位
受监管的许可证和运营商共同签署为认证提供了监管机构已经认可的基础。
证明自己安全的操作员正在标记自己的作业。中立性是重点——它内置于架构中，而不是在合同中承诺。
治理
信任是 没有商量的余地。
监管机构希望AI公开、负责且易于解释。 YAS 从第一天起就是这样构建的——后来没有修补以通过审核。
[监管就绪]
旨在满足监管机构对 AI 的期望。
[完整的审计追踪]
每个输入、分数和解释都带有时间戳并保存。
[简单明了的理由]
每个评分都配有清晰的解释，任何人都可以阅读。
[人类决定]
合格的人总是做出最后决定。
[经过公平性检验]
分数会被检查，因此任何团体都不会受到不公平的对待。
一个人拨打电话
YAS 给出风险图；它永远不会做出决定。合格人员会审核并签署每次通话。
首先测试更改
在任何模型更新上线之前，都会根据实际操作数据进行测试，并且必须通过严格的安全检查。
没有什么是无证的
每个输入、分数和建议都会被记录并加上时间戳，因此任何决定都可以在以后跟踪和审查。
生产中
在整个机器经济领域值得信赖。
对于电动汽车车队运营商驾驶员风险和安全监控
每个驾驶员的 AURA 分数都揭示了危险行为以及在何处进行指导 - 车队更安全，损失更低。
对于保险公司基于行为的动态定价
持牌保险公司使用 AURA 分数支持基于行为的定价——保费可跟踪实际驾驶行为而非静态代理，决策权始终由保险公司保留。
对于机器人运营商安全和减少损失
机器人的 AURA 分数显示了其运行的安全程度 - 减少事故和损失，并从第一天起就为新部署提供值得信赖的跟踪记录。