基于扩散的有限车辆 CAN 数据驾驶场景生成与插补
机器学习
2025-09-17 v1
摘要
在包含损坏样本的小型时间序列数据集上训练深度学习方法具有挑战性。扩散模型已被证明能有效生成逼真的合成数据，并通过插补纠正损坏样本。在此背景下，本文专注于生成合成且逼真的汽车时间序列数据样本。我们表明，去噪扩散概率模型 (DDPMs) 能够有效解决此任务，方法是将其应用于一个具有长期数据且样本数量有限的具有挑战性的车辆 CAN 数据集。因此，我们提出了一种结合自回归与非自回归技术的混合生成方法。我们使用两种近期提出的用于时间序列生成的 DDPM 架构来评估我们的方法，并为此提出了若干改进。为了评估生成的样本，我们提出了三个量化物理正确性与测试赛道符合度的指标。我们表现最佳的模型在物理正确性方面甚至超越了训练数据，同时展现出合理的驾驶行为。最后，我们使用最佳模型成功插补了训练数据中物理上不合理的区域，从而提高了数据质量。
引用
@article{arxiv.2509.12375,
title = {Diffusion-Based Generation and Imputation of Driving Scenarios from Limited Vehicle CAN Data},
author = {Julian Ripper and Ousama Esbel and Rafael Fietzek and Max Mühlhäuser and Thomas Kreutz},
journal= {arXiv preprint arXiv:2509.12375},
year = {2025}
}
备注
Preprint, Paper has been accepted at ITSC 2025