改进基于变分自编码器的分布外检测用于嵌入式实时应用

机器学习中的不确定性是其应用于安全关键信息物理系统(CPS)的主要障碍。不确定性来源之一是训练与测试场景间输入数据的分布偏移。实时检测此类分布偏移是应对该挑战的新兴方法。涉及成像的CPS应用中的高维输入空间增加了任务难度。生成式学习模型被广泛用于该任务，即分布外(OoD)检测。为改进现有技术，我们研究了来自机器学习和CPS两个领域的现有方案。在后者中，自动驾驶智能体的实时安全监测一直是焦点。利用视频中运动的时空相关性，我们可以鲁棒地检测自动驾驶智能体周围的危险运动。受变分自编码器(VAE)理论与实践最新进展的启发，我们利用了数据中的先验知识以进一步增强OoD检测的鲁棒性。在nuScenes和Synthia数据集上的对比研究表明，我们的方法显著提高了对驾驶场景特有OoD因素的检测能力，比现有最优方法提升42%。我们的模型在实验的真实驾驶和仿真驾驶数据集上也实现了近乎完美的泛化，比现有最优方法提升97%。最后，我们将一种提出的方法定制为双编码器模型，可部署到资源受限的嵌入式设备上进行实时OoD检测。在低精度8位整数推理中，其执行时间减少了四倍以上，而检测能力与其对应的浮点模型相当。