干燥的公路、清晰、低密度
不起眼
在晴朗的条件下，在高速公路上用力刹车是例行公事——上下文是这么说的。
平台· ODD 引擎
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。 ODD 引擎用其发生的条件来标记每个机器事件 - 因此 AURA 对实际行为进行评分，而不是抽象地评分。 AURA 支持承保；持牌保险公司保留定价权。
为什么背景很重要
同一个动作，两个不同的故事。
硬刹车在一种情况下并不引人注目，但在另一种情况下却令人震惊。 ODD 引擎在摄取时附加操作设计域标签，因此评分和保险公司审查会看到相同的事实。
湿降级，黄昏，学区
高架
在这种情况下，相同的减速是一个有意义的风险信号。
我们注释的内容
每个事件都会继承一个上下文向量。
每个旅行事件都带有评分模型和审计跟踪使用的一组结构化标签。
道路及路线
道路等级、车道、路面、曲率和路线依从性。
速度状态
速度限制、速度带以及机器在其中的位置。
渐变和几何
坡度、海拔变化以及前方道路的形状。
天气带
旅行时的降雨量、温度、湿度和UV。
城市文脉
密度、道路环境以及与敏感区域的距离。
交通密度
围绕流动，因此行为是根据真实条件来读取的。
复合暴露
有注释的历史是一条护城河。
新来者无法追溯性地标记其从未记录过的情况。 YAS 会在每次操作员行程中累积带注释的公里数 - 上下文库不断加深，而这种深度使得分数在保险公司审查中站得住脚。
- 上下文标签在摄取时写入，而不是稍后重建
- 每次操作员行程都会拓宽注释基线
- 上下文的深度使分数变得可解释和可审计
下游评分
上下文加权的、可解释的因素。
已标注事件会进入约 100 项因子的评分模型。情境加权因子——特定环境下的超速、按坡度调整的制动、受天气条件影响的频率——会影响 AURA 评分，同时确保每项贡献都可追溯到特定情境中的具体行为。
特定环境超速
超速是根据实际适用的限速和条件来判断的。
坡度调节制动
下坡制动的权重与平地上制动的权重不同。
天气条件下的频率
事件频率是根据事件发生时的天气来读取的。