基于数字孪生的自主舰船离群检测

自主舰船（AV）是一种复杂的网络-物理系统（CPS），具备软件功能，如导航软件使 AV 能够自主或半自主地遵循路径到达目的地。自主舰船的数字孪生可实现诸如运行情景模拟、预测性维护和故障诊断等高级功能。由于技术进步，利用舰船实时运行数据的实时分析变得日益可能。然而，文献中鲜有探讨面向机器学习技术构建的数字孪生的 AV 中的实时数据高级分析。为此，我们提出了一种新颖的数字孪生方法（ODDIT），用于在 AV 到达离群状态之前检测其未来离群（OOD）状态，从而实现主动干预。此类状态可能指示需要注意的异常情况（例如船长手动纠正），并帮助测试人员进行以情景为中心的测试。数字孪生由两个机器学习模型组成：预测未来舰船状态的模型以及预测该预测状态是否为 OOD 的模型。我们使用包括传感器和执行器噪声以及环境扰动（即洋流）在内的模拟条件，对 ODDIT 在五艘舰船上的 waypoint 和 zigzag 机动进行评估。ODDIT 在检测 OOD 状态方面 achieved 高准确率，AUROC 和 TNR@TPR95 分数在多艘舰船上达到 99%。