Behavior Forests: Real-Time Discovery of Dynamic Behavior for Data Selection

要約

自動運転システム（ADS）の開発は、実車データの活用に依存している。最新の車両から生成されるデータ量は、伝送、保存、計算の面で課題がある。動的挙動（DB）に着目することで、ADSの機能に関連する情報と無関係な情報を区別し、データを削減する有望なアプローチが提供される。時系列パターン認識は、車両の運転行動の時間的コンテキストを分析できるため、このタスクに有益である。しかし、既存の最先端の手法は、可変長のパターンを識別したり、発見されたパターンの分析的説明を提供したりする適応性に欠けることが多い。本投稿では、車両の運転中に行動グラフを構築することで、事前の訓練なしに分析的記述を容易にし、リアルタイムのデータ選択のための行動フォレストフレームワークを提案する。本手法は、合成的に生成された心電図データセットを用いてその性能を実証する。自動車時系列データセットを用いてデータ削減能力を評価した結果、本手法は入力データストリームの96.01%を破棄し、関連するDBは残した。

要約(オリジナル)

Automated Driving Systems (ADS) development relies on utilizing real-world vehicle data. The volume of data generated by modern vehicles presents transmission, storage, and computational challenges. Focusing on Dynamic Behavior (DB) offers a promising approach to distinguish relevant from irrelevant information for ADS functionalities, thereby reducing data. Time series pattern recognition is beneficial for this task as it can analyze the temporal context of vehicle driving behavior. However, existing state-of-the-art methods often lack the adaptability to identify variable-length patterns or provide analytical descriptions of discovered patterns. This contribution proposes a Behavior Forest framework for real-time data selection by constructing a Behavior Graph during vehicle operation, facilitating analytical descriptions without pre-training. The method demonstrates its performance using a synthetically generated and electrocardiogram data set. An automotive time series data set is used to evaluate the data reduction capabilities, in which this method discarded 96.01% of the incoming data stream, while relevant DB remain included.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL