行为森林：用于数据选择的实时动态行为发现
机器人学
2024-07-08 v2 信号处理
摘要
自动驾驶系统（ADS）开发依赖于利用真实世界车辆数据。现代车辆生成的数据volume为传输、存储和计算提出了挑战。聚焦于动态行为（DB）是一种有前景的做法，可用于区分ADS功能的相关与不相关信息，从而减少数据。时间序列模式识别对此任务有益，能够分析车辆驾驶行为的时间上下文。然而，现有的领先方法往往缺乏对可变长度模式识别的灵活性，或无法提供所发现模式的分析描述。本文提出一种行为森林框架，用于通过在车辆运行期间构建行为图进行实时数据选择，以实现无需预训练的分析描述。该方法使用合成生成的数据集和心电图数据集进行演示。使用汽车时间序列数据集评估数据降低能力，其中本方法在保留相关DB的同时，舍弃了96.01%的输入数据流。
引用
@article{arxiv.2407.02008,
title = {Behavior Forests: Real-Time Discovery of Dynamic Behavior for Data Selection},
author = {Philipp Reis and Philipp Rigoll and Eric Sax},
journal= {arXiv preprint arXiv:2407.02008},
year = {2024}
}