ZEBRA：基于 Z 阶曲线的事件检索方法以高效探索汽车数据
信息检索
2023-04-21 v1
摘要
用于自动驾驶车辆的软件性能评估主要由从现实世界收集的数据驱动。虽然专业测试驾驶员得到技术手段的支持以半自动标注驾驶操纵从而更好地识别事件，但大型车队中的简单数据记录器通常缺乏自动且详细的事件分类，因此在后处理此类数据时需要额外付出。然而，专业测试驾驶员的数据质量显然高于缺乏标签的大型车队数据，但大型车队的非标注数据集对自动驾驶车辆需处理的典型、真实驾驶场景更具代表性。不过，虽然扩大大型车队数据相对简单，但在后处理中添加有价值的标注已变得日益昂贵。在本文中，我们利用 Z 阶空间填充曲线系统性地降低数据维度同时保留领域特定数据属性，这使我们能够探索甚至大规模现场数据集，以比直接处理时间序列数据快数个数量级的速度发现有趣事件。此外，所提出的概念基于分析方法，其为识别出的事件保留了可解释性。
引用
@article{arxiv.2304.10232,
title = {ZEBRA: Z-order Curve-based Event Retrieval Approach to Efficiently Explore Automotive Data},
author = {Christian Berger and Lukas Birkemeyer},
journal= {arXiv preprint arXiv:2304.10232},
year = {2023}
}