論文の概要: Transforming Vehicle Diagnostics: A Multimodal Approach to Error Patterns Prediction

• arxiv url: http://arxiv.org/abs/2602.01109v1
• Date: Sun, 01 Feb 2026 09:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.596954
• Title: Transforming Vehicle Diagnostics: A Multimodal Approach to Error Patterns Prediction
• Title（参考訳）: トランスフォーミング車両診断:エラーパターン予測のためのマルチモーダルアプローチ
• Authors: Hugo Math, Rainer Lienhart,
• Abstract要約: 本稿では、エラーコードからエラーパターンへの多重ラベルシーケンス分類のための、最初のマルチモーダルアプローチであるBiCarFormerを提案する。 DTCシーケンスと従来のシーケンスモデルに依存するモデルと比較して,BiCarFormerは分類性能を著しく向上することを示す。
• 参考スコア（独自算出の注目度）: 14.409508347156397
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurately diagnosing and predicting vehicle malfunctions is crucial for maintenance and safety in the automotive industry. While modern diagnostic systems primarily rely on sequences of vehicular Diagnostic Trouble Codes (DTCs) registered in On-Board Diagnostic (OBD) systems, they often overlook valuable contextual information such as raw sensory data (e.g., temperature, humidity, and pressure). This contextual data, crucial for domain experts to classify vehicle failures, introduces unique challenges due to its complexity and the noisy nature of real-world data. This paper presents BiCarFormer: the first multimodal approach to multi-label sequence classification of error codes into error patterns that integrates DTC sequences and environmental conditions. BiCarFormer is a bidirectional Transformer model tailored for vehicle event sequences, employing embedding fusions and a co-attention mechanism to capture the relationships between diagnostic codes and environmental data. Experimental results on a challenging real-world automotive dataset with 22,137 error codes and 360 error patterns demonstrate that our approach significantly improves classification performance compared to models that rely solely on DTC sequences and traditional sequence models. This work highlights the importance of incorporating contextual environmental information for more accurate and robust vehicle diagnostics, hence reducing maintenance costs and enhancing automation processes in the automotive industry.
• Abstract（参考訳）: 車両の故障の正確な診断と予測は、自動車産業のメンテナンスと安全性に不可欠である。 現代の診断システムは、主にオンボード診断(OBD)システムに登録されている車両診断トラブルコード(DTC)のシーケンスに依存しているが、生の感覚データ(例えば、温度、湿度、圧力)のような貴重なコンテキスト情報を見落としていることが多い。 このコンテキストデータは、ドメインの専門家が車両の故障を分類するのに不可欠である。 本稿では,DTCシーケンスと環境条件を統合したエラーパターンへのエラーコードのマルチラベルシーケンス分類のための,最初のマルチモーダルアプローチであるBiCarFormerを提案する。 BiCarFormerは、車両イベントシーケンスに適した双方向トランスフォーマーモデルであり、埋め込みフュージョンと、診断コードと環境データの関係をキャプチャするコアテンションメカニズムを使用している。 22,137個のエラーコードと360度エラーパターンを持つ実世界の自動車データセットに対する実験結果から,本手法はDTCシーケンスと従来のシーケンスモデルのみに依存するモデルと比較して,分類性能を著しく向上することが示された。 この研究は、より正確で堅牢な車両診断に文脈環境情報を取り入れることの重要性を強調し、それによって自動車産業におけるメンテナンスコストを削減し、自動化プロセスを強化する。

関連論文リスト

• Multi-Agent Causal Reasoning System for Error Pattern Rule Automation in Vehicles [11.736232052679759]
  本稿では,EPルールの自動生成を行うマルチエージェントシステムであるCAREP(Causal Automated Reasoning for Error Patterns)を紹介する。 29,100以上のユニークなDTCと474のエラーパターンを持つ大規模自動車データセットの評価は、CAREPが未知のEPルールを自動的かつ正確に発見できることを実証している。 CAREPは、実用的な因果発見とエージェントベースの推論を一体化することにより、完全な自動故障診断への一歩である。
  論文  参考訳（メタデータ） (2026-02-01T11:06:03Z)
• Advancing Real-World Parking Slot Detection with Large-Scale Dataset and Semi-Supervised Baseline [65.25540269603553]
  本研究では,駐車環境を包括的に観察するサラウンドビューカメラを用いた駐車スロット検出に焦点を当てた。 まず,大規模駐車スロット検出データセット(CRPS-D)を構築した。 SS-PSDと呼ばれる駐車スロット検出のための半教師付きベースラインを開発し、ラベルのないデータを活用することにより、さらなる性能向上を図る。
  論文  参考訳（メタデータ） (2025-09-16T14:50:19Z)
• Learning to Hear Broken Motors: Signature-Guided Data Augmentation for Induction-Motor Diagnostics [40.044978986425676]
  3相エンジンのインテリジェント診断における機械学習(ML)アルゴリズムの適用は、診断性能と精度を大幅に向上させる可能性がある。 本稿では,エンジン物理モデルを考慮した教師なし異常発生手法を提案する。 SGDA(Signature-Guided Data Augmentation)は、健康な電流信号の周波数領域において、物理的に可塑性な断層を直接合成する、教師なしのフレームワークである。
  論文  参考訳（メタデータ） (2025-06-10T03:36:16Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• 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)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。 予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。 7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)
• 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)
• 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)

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。