論文の概要: A Dual-Stream Physics-Augmented Unsupervised Architecture for Runtime Embedded Vehicle Health Monitoring

• arxiv url: http://arxiv.org/abs/2602.10432v1
• Date: Wed, 11 Feb 2026 02:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.389187
• Title: A Dual-Stream Physics-Augmented Unsupervised Architecture for Runtime Embedded Vehicle Health Monitoring
• Title（参考訳）: 車両の健康モニタリングのための二重ストリーム物理拡張型教師なしアーキテクチャ
• Authors: Enzo Nicolas Spotorno, Antonio Augusto Medeiros Frohlich,
• Abstract要約: 車両の運用強度は、商業および重機における予測保守および状態監視に不可欠である。 マイレージのような従来のメトリクスは機械的負担を捉えるのに失敗し、教師なしのディープラーニングモデルは統計的異常を検出する。 本稿では,表面異常検出のための教師なし学習と,累積負荷推定のためのマクロ物理プロキシを融合したDual-Stream Architectureを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Runtime quantification of vehicle operational intensity is essential for predictive maintenance and condition monitoring in commercial and heavy-duty fleets. Traditional metrics like mileage fail to capture mechanical burden, while unsupervised deep learning models detect statistical anomalies, typically transient surface shocks, but often conflate statistical stability with mechanical rest. We identify this as a critical blind spot: high-load steady states, such as hill climbing with heavy payloads, appear statistically normal yet impose significant drivetrain fatigue. To resolve this, we propose a Dual-Stream Architecture that fuses unsupervised learning for surface anomaly detection with macroscopic physics proxies for cumulative load estimation. This approach leverages low-frequency sensor data to generate a multi-dimensional health vector, distinguishing between dynamic hazards and sustained mechanical effort. Validated on a RISC-V embedded platform, the architecture demonstrates low computational overhead, enabling comprehensive, edge-based health monitoring on resource-constrained ECUs without the latency or bandwidth costs of cloud-based monitoring.
• Abstract（参考訳）: 車両の運転強度の定量化は、商業および重機における予測保守および状態監視に不可欠である。 一方、教師なしのディープラーニングモデルは統計上の異常(典型的には過渡的な表面衝撃)を検知するが、しばしば統計上の安定性と機械的休息を区別する。 重荷を積んだ登山のような高負荷定常状態は、統計的に正常に見えるが、かなりの駆動列車の疲労を強いる。 そこで本稿では,教師なし学習を融合して表面異常検出を行うDual-Stream Architectureを提案する。 このアプローチは、低周波センサデータを利用して、動的ハザードと持続的な機械的労力を区別し、多次元の健康ベクトルを生成する。 RISC-V組み込みプラットフォーム上で検証されたこのアーキテクチャは、計算オーバーヘッドの少ないことを示し、クラウドベースの監視のレイテンシや帯域幅のコストを伴わずに、リソース制約のECU上で、包括的なエッジベースのヘルス監視を可能にする。

関連論文リスト

• Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
  マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。 検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。 本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
  論文  参考訳（メタデータ） (2026-01-28T08:33:10Z)
• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• DARTS: A Drone-Based AI-Powered Real-Time Traffic Incident Detection System [4.230713219853656]
  DARTSは、AIを利用したドローンによるリアルタイム交通事故検知システムである。 このシステムは、自己収集されたデータセットで99%の精度で検出された。 現地試験では、DARTSは地方交通管理センターより12分早く後方衝突を検出し、確認した。
  論文  参考訳（メタデータ） (2025-10-29T22:32:16Z)
• Transformer-Based Indirect Structural Health Monitoring of Rail Infrastructure with Attention-Driven Detection and Localization of Transient Defects [1.1782896991259]
  我々は,段階的に複雑な課題に対してモデルロバスト性を評価するために,漸進的な合成データベンチマークを導入する。 提案するアテンション・フォーカス変換器とともに,複数の教師なしモデルを評価する。 提案モデルでは,提案手法の精度は最先端の解に匹敵するが,推論速度は向上する。
  論文  参考訳（メタデータ） (2025-10-08T23:01:53Z)
• Automating Traffic Monitoring with SHM Sensor Networks via Vision-Supervised Deep Learning [0.18148496440453665]
  橋は、土木インフラの重要な要素として、劣化の影響をますます受けている。 ディープラーニングの最近の進歩は、継続的かつ自動化された監視への進歩を可能にしている。 構造的健康モニタリング(SHM)センサネットワークを用いた,継続的交通監視のための完全自動ディープラーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-06-23T18:27:14Z)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• IC3M: In-Car Multimodal Multi-object Monitoring for Abnormal Status of Both Driver and Passengers [14.555198961422706]
  運転者の早期異常を検知するための有望な技術として車内監視が登場している。 我々は車内でのドライバーと乗客の両方を監視するための効率的なカメラ回転に基づくマルチモーダル・フレームワークであるIC3Mを紹介した。 IC3Mは,適応しきい値の擬似ラベル戦略とモダリティの欠如という2つの重要なモジュールから構成される。
  論文  参考訳（メタデータ） (2024-10-03T15:34:41Z)
• Electrical Grid Anomaly Detection via Tensor Decomposition [41.94295877935867]
  従来の研究では、SCADAシステム内の異常を正確に識別するために次元減少に基づくアプローチが利用できることが示されている。 本研究では,SCADAシステムにおける異常を識別するために,テンソル分解法であるCanonical Polyadic Alternating Poisson Regressionを確率的枠組みで適用する。 実験では,ロスアラモス国立研究所が運営する電力網から収集した実世界のSCADAシステムデータをモデル化した。
  論文  参考訳（メタデータ） (2023-10-12T18:23:06Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)

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。