Structural Attention-Based Recurrent Variational Autoencoder for Highway Vehicle Anomaly Detection

要約

自動運転では、車両制御装置の安全を確保するために、異常な運転行動の検出が不可欠です。
車両異常検出の以前の研究では、エージェント間の相互作用をモデル化すると検出精度が向上することが示されていますが、逆走やオフロード運転など、構造化された道路情報が最も重要な特定の異常な行動は十分に識別されていません。
Structural Attention-Based Recurrent VAE (SABeR-VAE) という高速道路の異常検出のための新しい教師なしフレームワークを提案します。これは、異常の識別を支援するために環境の構造を明示的に使用します。
具体的には、車両自己注意モジュールを使用して道路上の車両間の関係を学習し、別の車線-車両注意モジュールを使用して、許容される車線の重要性をモデル化し、軌道予測を支援します。
Attention モジュールの出力を条件として、確率的 Koopman オペレーター伝搬潜在空間を備えた再帰型エンコーダー/デコーダー アーキテクチャが、車両の次の状態を予測します。
私たちのモデルはエンドツーエンドでトレーニングされ、通常の車両挙動での予測損失を最小限に抑え、(ab)normal シナリオでの異常を検出するために展開されます。
異種の車両と車線の情報を組み合わせることで、SABeR-VAE とその決定論的バリアントである SABeR-AE は、STGAE-KDE を介してシミュレートされた MAAD 高速道路データセットで、異常な AUPR をそれぞれ 18% と 25% 改善します。
さらに、SABeR-VAE で学習した Koopman 演算子が、変分潜在空間で解釈可能な構造を強制することを示します。
私たちの方法の結果は、実際に環境要因のモデル化が展開中の多様な一連の異常を検出するために不可欠であることを示しています。
コードの実装については、https://sites.google.com/illinois.edu/saber-vae にアクセスしてください。

要約(オリジナル)

In autonomous driving, detection of abnormal driving behaviors is essential to ensure the safety of vehicle controllers. Prior works in vehicle anomaly detection have shown that modeling interactions between agents improves detection accuracy, but certain abnormal behaviors where structured road information is paramount are poorly identified, such as wrong-way and off-road driving. We propose a novel unsupervised framework for highway anomaly detection named Structural Attention-Based Recurrent VAE (SABeR-VAE), which explicitly uses the structure of the environment to aid anomaly identification. Specifically, we use a vehicle self-attention module to learn the relations among vehicles on a road, and a separate lane-vehicle attention module to model the importance of permissible lanes to aid in trajectory prediction. Conditioned on the attention modules’ outputs, a recurrent encoder-decoder architecture with a stochastic Koopman operator-propagated latent space predicts the next states of vehicles. Our model is trained end-to-end to minimize prediction loss on normal vehicle behaviors, and is deployed to detect anomalies in (ab)normal scenarios. By combining the heterogeneous vehicle and lane information, SABeR-VAE and its deterministic variant, SABeR-AE, improve abnormal AUPR by 18% and 25% respectively on the simulated MAAD highway dataset over STGAE-KDE. Furthermore, we show that the learned Koopman operator in SABeR-VAE enforces interpretable structure in the variational latent space. The results of our method indeed show that modeling environmental factors is essential to detecting a diverse set of anomalies in deployment. For code implementation, please visit https://sites.google.com/illinois.edu/saber-vae.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google