多智能体轨迹无监督异常检测基准
机器人学
2022-09-07 v1
摘要
人类直觉能够在从未经历过的情境中检测出异常驾驶场景。如同人类检测那些异常情况并采取对策以防止碰撞，自动驾驶汽车需要异常检测机制。然而，文献中缺乏用于比较异常检测算法的标准基准。我们填补了这一空白，提出了用于多智能体轨迹无监督异常检测的R-U-MAAD基准。目标是从无标签的训练序列中学习正常驾驶的表示，随后检测异常。我们使用Argoverse运动预测数据集进行训练，并提出一个包含160个序列的测试数据集，其中带有城市环境中人工标注的异常。为此，我们结合了真实世界轨迹的重放与仿真中依赖于场景的异常驾驶。在实验中，我们使用标准异常检测指标比较了11个基线，包括线性模型、深度自编码器和单类分类模型。深度重构和端到端单类方法展现出有前景的结果。该基准与基线模型将公开可用。
引用
@article{arxiv.2209.01838,
title = {A Benchmark for Unsupervised Anomaly Detection in Multi-Agent Trajectories},
author = {Julian Wiederer and Julian Schmidt and Ulrich Kressel and Klaus Dietmayer and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:2209.01838},
year = {2022}
}
备注
8 pages, 4 figures, 2 tables, accepted by IEEE ITSC 2022