Drive2Vec：车载传感器数据的多尺度状态空间嵌入
机器学习
2018-06-14 v1 人工智能
机器学习
摘要
随着汽车越来越依赖传感器执行各种驾驶任务，以紧凑形式编码相关 CAN 总线传感器数据以捕捉车辆总体状态十分重要。本文提出一种基于深度学习的方法 Drive2Vec，用于将此类传感器数据嵌入为低维且可操作的形式。我们的方法基于堆叠门控循环单元（GRU）。它接受一小段汽车传感器数据作为输入，并计算该数据的低维表示，随后可用于准确求解一系列任务。利用该表示，我们（1）预测传感器的短期精确值（未来至多三秒），（2）预测这些相同传感器的长期平均值，（3）推断数据中未编码的额外上下文信息，包括驾驶员身份，以及（4）构建可用于自动标注数据和识别危险状态的知识库。我们在奥迪采集的数据集上评估了我们的方法，该数据集在真实道路上为测试车队装备数据记录仪，存储了 2098 小时驾驶的所有传感器读数。我们在多项实验中表明，我们的方法优于其他基线达 90%，并进一步展示了这些传感器数据嵌入如何用于解决各种现实世界汽车应用。
引用
@article{arxiv.1806.04795,
title = {Drive2Vec: Multiscale State-Space Embedding of Vehicular Sensor Data},
author = {David Hallac and Suvrat Bhooshan and Michael Chen and Kacem Abida and Rok Sosic and Jure Leskovec},
journal= {arXiv preprint arXiv:1806.04795},
year = {2018}
}