論文の概要: GDFlow: Anomaly Detection with NCDE-based Normalizing Flow for Advanced Driver Assistance System
- arxiv url: http://arxiv.org/abs/2409.05346v1
- Date: Mon, 9 Sep 2024 06:04:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 15:40:55.301051
- Title: GDFlow: Anomaly Detection with NCDE-based Normalizing Flow for Advanced Driver Assistance System
- Title（参考訳）: GDFlow:先進ドライバ支援システムのためのNCDEベース正規化フローによる異常検出
- Authors: Kangjun Lee, Minha Kim, Youngho Jun, Simon S. Woo,
- Abstract要約: グラフニューラル制御した微分方程式正規化フロー(GDFlow)を提案し,通常の運転パターンの分布を連続的に学習する。
我々は,Hyundai IONIQ5とGV80EVから収集した実世界の電気自動車運転データを用いてGDFlowを検証する。
- 参考スコア（独自算出の注目度）: 20.690653201455373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For electric vehicles, the Adaptive Cruise Control (ACC) in Advanced Driver Assistance Systems (ADAS) is designed to assist braking based on driving conditions, road inclines, predefined deceleration strengths, and user braking patterns. However, the driving data collected during the development of ADAS are generally limited and lack diversity. This deficiency leads to late or aggressive braking for different users. Crucially, it is necessary to effectively identify anomalies, such as unexpected or inconsistent braking patterns in ADAS, especially given the challenge of working with unlabelled, limited, and noisy datasets from real-world electric vehicles. In order to tackle the aforementioned challenges in ADAS, we propose Graph Neural Controlled Differential Equation Normalizing Flow (GDFlow), a model that leverages Normalizing Flow (NF) with Neural Controlled Differential Equations (NCDE) to learn the distribution of normal driving patterns continuously. Compared to the traditional clustering or anomaly detection algorithms, our approach effectively captures the spatio-temporal information from different sensor data and more accurately models continuous changes in driving patterns. Additionally, we introduce a quantile-based maximum likelihood objective to improve the likelihood estimate of the normal data near the boundary of the distribution, enhancing the model's ability to distinguish between normal and anomalous patterns. We validate GDFlow using real-world electric vehicle driving data that we collected from Hyundai IONIQ5 and GV80EV, achieving state-of-the-art performance compared to six baselines across four dataset configurations of different vehicle types and drivers. Furthermore, our model outperforms the latest anomaly detection methods across four time series benchmark datasets. Our approach demonstrates superior efficiency in inference time compared to existing methods.
- Abstract（参考訳）: 電気自動車では、Adaptive Cruise Control (ACC) in Advanced Driver Assistance Systems (ADAS) は、運転条件、道路傾斜度、予め定義された減速強度、およびユーザのブレーキパターンに基づいてブレーキを支援するように設計されている。
しかし、ADASの開発中に収集された運転データは一般的に制限されており、多様性が欠如している。
この欠陥は、異なるユーザーにとって遅刻または攻撃的なブレーキにつながる。
重要な点として、ADASの予期せぬ、あるいは一貫性のないブレーキパターンなどの異常を効果的に識別する必要がある。
本稿では, 通常の運転パターンの分布を連続的に学習するために, ニューラルネットワークを用いた正規化フロー (NF) とニューラル制御微分方程式 (NCDE) を併用したモデルであるグラフニューラル制御微分方程式正規化フロー (GDFlow) を提案する。
従来のクラスタリングや異常検出アルゴリズムと比較して,センサデータから時空間情報を効果的に取得し,運転パターンの連続的な変化をより正確にモデル化する。
さらに,分布境界付近の正規データの推定精度を向上し,正規パターンと異常パターンを識別するモデルの能力を向上する。
我々は,Hyundai IONIQ5とGV80EVから収集した実世界の電気自動車運転データを用いて,GDFlowを検証する。
さらに,本モデルでは,4つの時系列ベンチマークデータセットにおいて,最新の異常検出手法よりも優れていた。
提案手法は,既存の手法に比べて推論時間に優れた効率性を示す。
関連論文リスト
- EditFollower: Tunable Car Following Models for Customizable Adaptive Cruise Control Systems [28.263763430300504]
本研究では,データ駆動型自動車追従モデルを提案する。
本モデルは,運転者の社会的嗜好を考慮に入れたACCシステムの開発に有用な知見を提供する。
論文 参考訳（メタデータ） (2024-06-23T15:04:07Z) - Exploiting T-norms for Deep Learning in Autonomous Driving [60.205021207641174]
自律運転におけるイベント検出のタスクにおいて,メモリ効率のよいtノルムに基づく損失をどうやって定義できるかを示す。
論文 参考訳（メタデータ） (2024-02-17T18:51:21Z) - AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。
手作り正則化技術を用いた頑健な微調整への最近のアプローチ
我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
論文 参考訳（メタデータ） (2024-01-18T18:58:49Z) - A Tricycle Model to Accurately Control an Autonomous Racecar with Locked
Differential [71.53284767149685]
自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。
本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
論文 参考訳（メタデータ） (2023-12-22T16:29:55Z) - Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。
計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。
従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
論文 参考訳（メタデータ） (2023-12-11T14:27:10Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Anomaly Detection in Driving by Cluster Analysis Twice [0.0]
本研究は, クラスタ分析による運転異常検出法(ADDCAT)を提案する。
イベントは、運転の正常さのパターンと見なされる主要なクラスタに適合しない場合、異常であると言われている。
この方法は、事前のトレーニングプロセスや膨大な計算コストを必要とせず、運転中の異常を検出する手段を提供する。
論文 参考訳（メタデータ） (2022-12-15T09:53:49Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Self-awareness in intelligent vehicles: Feature based dynamic Bayesian
models for abnormality detection [4.251384905163326]
本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。
車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。
協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
論文 参考訳（メタデータ） (2020-10-29T09:29:47Z) - A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic
Data Imputation [13.48205738743634]
様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。
本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。
提案したモデルは、他のベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2020-03-23T13:27:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。