GDFlow：用于高级驾驶辅助系统的基于 NCDE 归一化流的异常检测
机器学习
2024-09-10 v1 人工智能
摘要
对于电动汽车，高级驾驶辅助系统（ADAS）中的自适应巡航控制（ACC）旨在根据驾驶条件、道路坡度、预定义的减速强度以及用户制动模式来辅助制动。然而，在 ADAS 开发过程中收集的驾驶数据通常有限且缺乏多样性。这种不足导致对不同用户的制动过晚或过于激进。至关重要的是，需要有效识别异常，例如 ADAS 中意外或不一致的制动模式，尤其是在处理来自真实电动汽车的未标记、有限且嘈杂的数据集时。为了应对 ADAS 中的上述挑战，我们提出了图神经控制微分方程归一化流（GDFlow），该模型利用归一化流（NF）和神经控制微分方程（NCDE）来连续学习正常驾驶模式的分布。与传统的聚类或异常检测算法相比，我们的方法有效地捕捉了来自不同传感器数据的时空信息，并更准确地模拟了驾驶模式的连续变化。此外，我们引入了一个基于分位数的最大似然目标，以改进分布边界附近正常数据的似然估计，从而增强模型区分正常和异常模式的能力。我们使用从现代 IONIQ5 和 GV80EV 收集的真实世界电动汽车驾驶数据验证了 GDFlow，在四种不同车辆类型和驾驶员的数据集配置上，与六种基线相比，实现了最先进的性能。此外，我们的模型在四个时间序列基准数据集上优于最新的异常检测方法。与现有方法相比，我们的方法在推理时间上表现出卓越的效率。
引用
@article{arxiv.2409.05346,
title = {GDFlow: Anomaly Detection with NCDE-based Normalizing Flow for Advanced Driver Assistance System},
author = {Kangjun Lee and Minha Kim and Youngho Jun and Simon S. Woo},
journal= {arXiv preprint arXiv:2409.05346},
year = {2024}
}