基于结构注意力的循环变分自编码器用于高速公路车辆异常检测
摘要
在自动驾驶中，检测异常驾驶行为对于确保车辆控制器的安全至关重要。先前关于车辆异常检测的研究表明，对智能体之间的交互进行建模可提高检测精度，但某些结构化道路信息至关重要的异常行为（如逆行和驶离道路）难以被识别。我们提出了一种用于高速公路异常检测的新型无监督框架，称为基于结构注意力的循环VAE（SABeR-VAE），其显式利用环境结构来辅助异常识别。具体而言，我们使用车辆自注意力模块来学习道路上车辆之间的关系，并使用独立的车道-车辆注意力模块来建模允许车道的重要性以辅助轨迹预测。以注意力模块的输出为条件，具有随机Koopman算子传播潜空间的循环编码器-解码器架构预测车辆的下一状态。我们的模型以端到端方式训练，以最小化正常车辆行为的预测损失，并部署用于检测（非）正常场景中的异常。通过结合异构的车辆与车道信息，SABeR-VAE及其确定性变体SABeR-AE在模拟的MAAD高速公路数据集上相较STGAE-KDE分别将异常AUPR提高了18%和25%。此外，我们展示了SABeR-VAE中学习到的Koopman算子在其变分潜空间中强制形成了可解释的结构。我们的方法结果确实表明，对环境因子进行建模对于部署中检测多样化异常集至关重要。代码实现请访问 https://sites.google.com/illinois.edu/saber-vae。
引用
@article{arxiv.2301.03634,
title = {Structural Attention-Based Recurrent Variational Autoencoder for Highway Vehicle Anomaly Detection},
author = {Neeloy Chakraborty and Aamir Hasan and Shuijing Liu and Tianchen Ji and Weihang Liang and D. Livingston McPherson and Katherine Driggs-Campbell},
journal= {arXiv preprint arXiv:2301.03634},
year = {2023}
}
备注
11 pages, 5 figures; Published as a full paper in IFAAMAS International Conference on Autonomous Agents and Multiagent Systems (AAMAS), 2023; Added appendix and discussion of Att-LSTM-VAE ablation