On Fault Classification in Connected Autonomous Vehicles Using Supervised Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Different health-monitoring techniques were considered in the literature to enhance the safety and stability of Connected Autonomous Vehicle (CAV) platoons. The health-monitoring processes include fault detection, localization, and mitigation. It is evident that mitigating these faults is faster and more reliable if the fault structure is known. To this end, we consider classifying the fault class using supervised machine learning. We first model a heterogeneous CAV platoon with three different common faults separately. These faults are bounded actuator disturbances (namely, engine bearing knock), False Data Injection (FDI) attack, and communication time delay. We consider two supervised machine learning classifiers, the first classifier determines whether the fault is bounded disturbances or communication delay, and the second classifier determines whether the disturbances are in the physical or cyber layer. We have compared four machine learning techniques for each classifier, Support Vector Machine (SVM), Naive Bayes (NB), Quadratic Discriminant (QD), and K-Nearest Neighbors (KNN). The classifiers are trained firstly on the simulation model, then are tested on a different set of observations and tested experimentally on a platoon of three autonomous robots. The highest accuracy was achieved by considering SVM for the first classifier and QD for the second classifier. The overall classification accuracy achieved is 96.8% for the simulation test and 92.1% for the experiment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle