Intelligent multi-sensor fusion and anomaly detection in vehicles via deep 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
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.
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 | 0,000 |
| 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