网联自动驾驶车辆传感器的实时异常检测与恢复
信号处理
2021-02-26 v2 机器学习
摘要
本文提出一种基于观测器的新颖方法，以提升网联自动驾驶车辆(CAV)交通的安全性和安保性。所提方法结合了基于模型的信号滤波与异常检测方法。具体而言，我们使用自适应扩展卡尔曼滤波(AEKF)，基于非线性跟车运动模型对 CAV 的传感器读数进行平滑处理。在跟车模型假设下，主车利用其前车信息，通过先前训练的一类支持向量机(OCSVM)模型检测传感器异常。该方法使 AEKF 不仅基于车辆的位置和速度估计车辆状态，还考虑了周围交通的状态。跟车模型中考虑了通信时延因子，以使其更适用于实际应用。我们的实验表明，与传统带 检测器的 AEKF 相比，所提方法取得了更好的异常检测性能。我们还证明了较大的时延因子会对整体检测性能产生负面影响。
引用
@article{arxiv.1911.01531,
title = {Real-Time Sensor Anomaly Detection and Recovery in Connected Automated Vehicle Sensors},
author = {Yiyang Wang and Neda Masoud and Anahita Khojandi},
journal= {arXiv preprint arXiv:1911.01531},
year = {2021}
}
备注
Accepted to be Published in: IEEE Transactions on Intelligent Transportation Systems