Intelligent multi-sensor fusion and anomaly detection in vehicles via deep learning
Notice bibliographique
Résumé
Deep learning techniques are predominantly used to identify vehicular events such as harsh cornering, harsh braking, and rapid acceleration by analyzing signal data. However, deploying deep learning models demands high-quality, large-scale data, and the processes of data acquisition, labeling, extraction, and processing are often overlooked in the literature. In this article, we focus on detailed dataset creation, including labeling and feature analysis, alongside the development of AI models. Real-time data collection is conducted on experimental roads using numerous vehicles equipped with AI-enabled edge units. The raw data collected, however, is unsuitable for training deep learning models due to redundant features, noisy attributes, and a lack of labeled anomalous events. To address this, we employ multiple preprocessing and postprocessing techniques to generate high-quality datasets, analyzing the specific impacts of each signal feature on anomalous events. Since real-time collected data lacks labels, a thorough labeling process is required for each data point. An autoencoder-based labeling process is applied to the final dataset, where the autoencoder detects and labels anomalous behaviors based on data timestamps. Following the labeling, a hybrid deep learning model incorporating Convolutional Neural Networks (CNN), Long Short Term Memory (LSTM), attention, and Fully Connected Neural Networks (FCDNN) layers is trained and tested for detecting anomalous driving events. The results demonstrate that the proposed method outperforms the state-of-the-art solutions by reaching high accuracy rates: 99.69% for harsh cornering events and 98.24% for rapid acceleration and harsh braking events, with corresponding F1 scores of 90.14% and 81.22%, respectively.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».