論文の概要: EngineAD: A Real-World Vehicle Engine Anomaly Detection Dataset

• arxiv url: http://arxiv.org/abs/2603.25955v1
• Date: Thu, 26 Mar 2026 22:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.306636
• Title: EngineAD: A Real-World Vehicle Engine Anomaly Detection Dataset
• Title（参考訳）: EngineAD: 現実世界の車両エンジン異常検出データセット
• Authors: Hadi Hojjati, Christopher Roth, Rory Woods, Ken Sills, Narges Armanfard,
• Abstract要約: EngineADは、6ヶ月間に25台の商用車両から収集された高解像度センサーテレメトリを含む新しいデータセットである。 データを$300の時間ステップのプリンシパルコンポーネントにプリプロセスし、9つの異なる1クラスの異常検出モデルを用いて初期ベンチマークを作成する。 本実験は,車種間の性能変動を顕著に明らかにし,車種間一般化の課題を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 7.231276782144985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The progress of Anomaly Detection (AD) in safety-critical domains, such as transportation, is severely constrained by the lack of large-scale, real-world benchmarks. To address this, we introduce EngineAD, a novel, multivariate dataset comprising high-resolution sensor telemetry collected from a fleet of 25 commercial vehicles over a six-month period. Unlike synthetic datasets, EngineAD features authentic operational data labeled with expert annotations, distinguishing normal states from subtle indicators of incipient engine faults. We preprocess the data into $300$-timestep segments of $8$ principal components and establish an initial benchmark using nine diverse one-class anomaly detection models. Our experiments reveal significant performance variability across the vehicle fleet, underscoring the challenge of cross-vehicle generalization. Furthermore, our findings corroborate recent literature, showing that simple classical methods (e.g., K-Means and One-Class SVM) are often highly competitive with, or superior to, deep learning approaches in this segment-based evaluation. By publicly releasing EngineAD, we aim to provide a realistic, challenging resource for developing robust and field-deployable anomaly detection and anomaly prediction solutions for the automotive industry.
• Abstract（参考訳）: 輸送など安全上重要な領域における異常検出(AD)の進展は、大規模で実世界のベンチマークが欠如しているために厳しく制約されている。 そこで本研究では,25台の商用車両から6ヶ月にわたって収集した高分解能センサテレメトリを含む,新しい多変量データセットであるEngineADを紹介する。 合成データセットとは異なり、EngineADはエキスパートアノテーションでラベル付けされた本物の運用データを備えており、通常の状態と初期エンジン故障の微妙な指標を区別する。 データを$300の時間ステップのプリンシパルコンポーネントにプリプロセスし、9つの異なる1クラスの異常検出モデルを用いて初期ベンチマークを作成する。 本実験は,車種間の性能変動を顕著に明らかにし,車種間一般化の課題を浮き彫りにした。 さらに,本研究では,従来の手法(例えば,K-Means,One-Class SVM)が,このセグメントベース評価において,ディープラーニング手法と高い競争力,あるいは優れた手法であることが示唆された。 EngineADを公にリリースすることで、自動車産業のための堅牢で現場に展開可能な異常検出と異常予測ソリューションを開発するために、現実的で挑戦的なリソースを提供することを目指している。

関連論文リスト

• Transforming Vehicle Diagnostics: A Multimodal Approach to Error Patterns Prediction [14.409508347156397]
  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。
  論文  参考訳（メタデータ） (2026-02-01T09:06:49Z)
• Spotting the Unexpected (STU): A 3D LiDAR Dataset for Anomaly Segmentation in Autonomous Driving [14.403130104985557]
  本稿では,運転シナリオにおける異常セグメンテーションのための新しいデータセットを提案する。 これは、密集した3Dセマンティックラベリングによる道路異常セグメンテーションに焦点を当てた初めての公開データセットである。 データセットと評価コードは公開され、さまざまなアプローチのテストとパフォーマンスの比較が容易になります。
  論文  参考訳（メタデータ） (2025-05-04T15:15:35Z)
• Real Time Semantic Segmentation of High Resolution Automotive LiDAR Scans [6.113534791361164]
  本研究では,現代の高分解能LiDARセンサに適したセマンティックセグメンテーションフレームワークを提案する。 都市交通シーンにおいて,最先端の自動車用128層LiDARによって収集された新しいLiDARデータセットを提案する。 我々のアプローチは最先端の研究と実用的な自動車応用のギャップを埋めることです。
  論文  参考訳（メタデータ） (2025-04-30T13:00:50Z)
• Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
  協調認識に基づく異常検出フレームワーク(CPAD)を提案する。 CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。 実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-28T22:41:06Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• 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)
• Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection [46.495442380849894]
  大規模・実世界・多視点産業異常検出データセットであるReal-IADを提案する。 30の異なるオブジェクトの150Kの高解像度画像が含まれており、これは既存のデータセットよりも桁違いに大きい。 このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。
  論文  参考訳（メタデータ） (2024-03-19T09:44:41Z)
• 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)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)

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。