基于无监督学习的稀有驾驶场景检测
机器人学
2025-12-30 v1 系统与控制
系统与控制
摘要
检测稀有且危险的驾驶场景是确保自动驾驶系统安全可靠的关键挑战。本研究探索了一种基于自然驾驶数据(NDD)的无监督学习框架，用于检测稀有且极端的驾驶场景。我们利用最近提出的深度隔离森林(DIF)——一种将神经网络基于特征表示与隔离森林(IF)结合的异常检测算法——来识别非线性和复杂的异常现象。来自感知模块的数据（捕获车辆动力学和环境条件）被预处理为从滑动窗口中提取的结构化统计特征。该框架集成了 t 分布随机邻居嵌入(t-SNE)进行降维和可视化，从而更好地解释检测到的异常。采用代理基准真值进行评估，结合定量指标与定性视频帧检查。我们的结果表明，所提出的方法有效地识别了稀有的危险驾驶场景，为自动驾驶系统中的异常检测提供了可扩展的解决方案。鉴于本研究的方法论，不得不依赖代理基准真值和手动定义的特征组合，这些特征组合并不涵盖完整范围的真实驾驶异常或其细致的上下文依赖。
引用
@article{arxiv.2512.23585,
title = {Unsupervised Learning for Detection of Rare Driving Scenarios},
author = {Dat Le and Thomas Manhardt and Moritz Venator and Johannes Betz},
journal= {arXiv preprint arXiv:2512.23585},
year = {2025}
}