基于CAN总线标量传感器数据的深度多任务学习异常驾驶检测
机器学习
2019-07-02 v1 计算机视觉与模式识别
机器人学
机器学习
摘要
极端情况是人工智能（AI）系统应用于安全关键领域的主要瓶颈。AI系统应足够智能以检测此类情形，从而便于系统开发者为后续规划做准备。本文提出考虑正常情形不平衡的半监督异常检测。具体而言，驾驶数据由多种正向/正常情形（如右转、直行）组成，其中某些情形（如掉头）可能罕见得如同异常情形。现有的基于机器学习的异常检测方法在应用于此类不平衡数据时表现欠佳。本文提出一种新颖的基于多任务学习的方法，利用领域知识（机动标签）进行驾驶数据中的异常检测。我们在150小时真实世界驾驶数据上从定量与定性两方面评估了所提方法，并显示出相对于基线方法的性能提升。
引用
@article{arxiv.1907.00749,
title = {Deep Multi-Task Learning for Anomalous Driving Detection Using CAN Bus Scalar Sensor Data},
author = {Vidyasagar Sadhu and Teruhisa Misu and Dario Pompili},
journal= {arXiv preprint arXiv:1907.00749},
year = {2019}
}
备注
IROS 2019, 8 pages