条件潜块模型:一种用于自动驾驶验证的多变量时间序列聚类方法

自动驾驶系统的验证仍是汽车制造商为提供安全无人驾驶汽车必须应对的最大挑战之一。其高复杂性源于若干因素:车辆、嵌入式系统、用例的多样性,以及驾驶系统所需的高可靠性水平至少要和人类驾驶员一样安全。为规避这些问题,大规模模拟被密集用于复现海量物理条件以测试无人驾驶汽车。因此,验证步骤产生了大量待处理的数据,其中包括许多时间索引数据。在此背景下,在特征空间中建立结构对于解释各种场景是必需的。在这项工作中,我们提出了一种适用于高维时间序列分析的新型共聚类方法,它扩展了标准的基于模型的共聚类。FunCLBM 模型扩展了最近提出的功能潜块模型,并允许在行簇和列簇之间创建依赖结构。这种结构化划分充当特征选择方法,提供数据集的多种聚类视图,同时区分不相关特征。在该流程中,时间序列被投影到公共插值低维频率空间,从而优化投影基。此外,FunCLBM 通过执行分块降维和特征选择来细化每个潜块的定义。我们提出了一种 SEM-Gibbs 算法来推断该模型,以及一种用于选择最优嵌套划分的专用准则。在模拟和真实雷诺数据集上的实验显示了所提出工具的有效性及其与我们的用例的契合度。