論文の概要: Sensitivity Analysis of GRU, LSTM and Transformer Encoder in Classification of Automated Driving Systems

• arxiv url: http://arxiv.org/abs/2607.28665v1
• Date: Sat, 25 Jul 2026 01:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.352964
• Title: Sensitivity Analysis of GRU, LSTM and Transformer Encoder in Classification of Automated Driving Systems
• Title（参考訳）: 自動運転システムの分類におけるGRU, LSTM, 変圧器エンコーダの感度解析
• Abstract要約: 安全監視, 規制コンプライアンス, 保険評価, 異常検出において, どの自動運転システムがアクティブかを独立に検証するモニタリングシステムは重要である。 まず、GRU(Gated Recurrent Units)、LSTM(Long Short-Term Memory)、Transformer encoder(Transformer encoder)の3つのシーケンスベース分類モデルの有効性を評価する。 3モデルとも、クリーンなデータでトレーニングすると、マクロF1スコアが0.92(GRU)、LSTMが0.90(Transformer encoder model)、そして0.93(Transformer encoder model)となる。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated driving systems (ADSs) are becoming ubiquitous. Future Software Defined Vehicles (SDVs) may be able to run multiple ADSs, both native and aftermarket such as Comma.ai's Openpilot. Monitoring systems to independently verify which automated driving system is active are important for safety monitoring, regulatory compliance, insurance assessment, and anomaly detection. In this paper, we first evaluate the effectiveness of three sequence-based classification models: Gated Recurrent Units (GRU), Long Short-Term Memory (LSTM) networks, and a Transformer encoder model for identifying Level 2 automated driving systems using vehicle telematics data alone: Comma Openpilot, Tesla Autopilot, and Cadillac Super Cruise, along with manual driving. All three models achieve strong clean-data performance with macro F1-scores of 0.92 (GRU), 0.90 (LSTM), and 0.93 (Transformer encoder model) when trained on clean data; threat-matched training yields 0.904-0.916 macro F1 with only a modest clean-data penalty. Second, we introduce a modular robustness evaluation framework that simulates realistic telematics degradation through five corruption families at five severity levels (L1-L5). Continuous channels are perturbed using additive white Gaussian noise with cumulative drift, correlated cross-channel noise, and temporal jitter. Binary event signals are subjected to burst loss, delayed transitions, spurious toggles and cross-feature inconsistencies inspired by communication errors. Robustness is measured using macro-F1, which gives equal weight to each class and is suitable for imbalanced multiclass evaluation. Our evaluation reveals a sharp failure-mode split: event-level corruptions reduce macro-F1 only slightly (greater than equal to 0.87 at L5), while temporal jitter collapses macro-F1 to 0.44-0.50 across GRU, LSTM, and Transformer encoder model.
• Abstract（参考訳）: 自動運転システム(ADS)が普及しつつある。 将来のSoftware Defined Vehicles(SDV)は、Comma.aiのOpenpilotのような、ネイティブとアフターマーケットの両方で複数のADSを走らせることができる。 安全監視, 規制コンプライアンス, 保険評価, 異常検出において, どの自動運転システムがアクティブかを独立に検証するモニタリングシステムは重要である。 本稿では,GRU(Gated Recurrent Units),LSTM(Long Short-Term Memory)ネットワーク,車載テレマティクスデータのみを用いたレベル2自動運転システム同定のためのトランスフォーマーエンコーダモデル,Comma Openpilot,Tesla Autopilot,Cadillac Super Cruiseの3つのシーケンスベース分類モデルの有効性を手動運転とともに評価した。 3つのモデルはいずれも、クリーンデータでトレーニングされた場合、0.92(GRU)、0.90(LSTM)、0.93(Transformer encoder model)のマクロF1スコアで強力なクリーンデータ性能を達成する。 第2に,5つの重度レベル(L1-L5)の汚職家族を通して,現実的なテレマティクス劣化をシミュレートするモジュール型ロバストネス評価フレームワークを導入する。 連続チャネルは累積ドリフトを伴う付加的な白色ガウス雑音、相関チャネルノイズ、時間ジッタを用いて摂動される。 バイナリイベント信号は、通信エラーにインスパイアされたバーストロス、遅延遷移、スプリアストグル、およびクロスファンクション不整合を受ける。 ロバストネスは、各クラスに等しく重みを与えるマクロF1を用いて測定され、不均衡なマルチクラス評価に適している。 事象レベルの破損はマクロF1をわずか(L5では0.87以上)減らし,時間ジッタはGRU,LSTM,TransformerエンコーダモデルでマクロF1を0.44-0.50に崩壊させる。

関連論文リスト

• TRACE: A Multi-Layer Benchmark for Human AI Controller Coordination Under Drift and Failure [0.0]
  現代のサイバー物理およびAI支援システムは、人間のオペレータ、AI決定モジュール、自動コントローラを単一の制御ループで結合する。 標準ベンチマークでは、これらのレイヤ間でドリフトと障害がどのように伝播するかの、タイムアラインなマルチレイヤトレースをキャプチャしない。 ALFREDは,日常的な家庭内課題に対する基礎的な指導基準である。
  論文  参考訳（メタデータ） (2026-08-07T00:03:55Z)
• Self-Adaptive Anomaly Detection with Reinforcement Learning and Human Feedback in Connected Vehicles [0.3324986723090369]
  本稿では,自律型CPSのためのオンライン異常検出フレームワークを提案する。 自己注意を伴う分解された深いQネットワークは、監視対象サービス毎に候補プールから最も適切な検出器を選択する。 保留中のトランジションバッファと60/40の優先順位付けされたリプレイ戦略を中心に構築されたHuman-in-the-loopリトレーニング機構により、オペレーターは専門家の知識を組み込むことができる。
  論文  参考訳（メタデータ） (2026-07-09T11:48:52Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Quantum Machine Learning for Cyber-Physical Anomaly Detection in Unmanned Aerial Vehicles: A Leakage-Free Evaluation with Proxy-Audited Feature Sets [0.0]
  無人航空機(英語: Unmanned Aviation Vehicle、UAV)は、ネットワーク化されたアビオニクスとオンボードセンサー融合にまたがるサイバー物理システムである。 マルチセンサTLM:UAVベンチマークを用いて,UAV異常検出のための量子機械学習のリークフリー評価を行う。
  論文  参考訳（メタデータ） (2026-05-19T01:05:16Z)
• OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models [69.2503510410147]
  予め訓練されたVLM上に構築した統合自動運転フレームワークを提案する。 トレーニング済みのVLMアテンションは、純粋言語モデリング以上の強い伝達性を示すことを示す。 エンドツーエンドの自動運転ベンチマークの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T07:50:00Z)
• Bench2Drive-VL: Benchmarks for Closed-Loop Autonomous Driving with Vision-Language Models [50.22099309218635]
  自律運転においては、閉ループ評価はオープンループ評価よりも信頼性の高い検証方法として広く認識されている。 本稿では,VLM駆動における閉ループ評価を実現するBench2Drive-VLについて述べる。
  論文  参考訳（メタデータ） (2026-04-01T11:38:46Z)
• AI-Driven Predictive Maintenance with Real-Time Contextual Data Fusion for Connected Vehicles: A Multi-Dataset Evaluation [0.0]
  本稿では,V2X強化予測維持のためのシミュレーション検証型概念実証フレームワークを提案する。 オンボードセンサーストリームと外部のコンテキスト信号を統合する。 エッジ推論では、レイテンシを3.5sから1.0s以下に削減すると見積もられている。
  論文  参考訳（メタデータ） (2026-03-07T06:08:45Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Multi-modality Anomaly Segmentation on the Road [39.96773593485109]
  現在の一様異常セグメンテーションフレームワークは、画像中の非異常領域に対して高い異常スコアを生成する傾向にある。 我々は自律運転システムのためのマルチモーダルな不確実性に基づく異常セグメンテーションフレームワークMMRAS+を開発した。 実際、MMRAS+は自律運転のための最初のマルチモーダルな異常セグメンテーションソリューションである。
  論文  参考訳（メタデータ） (2025-03-22T09:55:42Z)
• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction [42.447827727628734]
  森林火災は気候危機により地球生態系に深刻な危険をもたらす。 複雑な性質のため、機械学習のような野火の予測に対する革新的なアプローチが緊急に必要である。 この研究は、古典的な教師あり学習とは異なるユニークなアプローチを採り、教師なしの山火事予測のギャップに対処した。
  論文  参考訳（メタデータ） (2024-11-14T23:19:55Z)

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。