基于单类分类的传感器流车道偏离预警激活痕迹检测：自编码器集成密度估计

《Engineering Applications of Artificial Intelligence》：One-class classification for detecting lane departure warning activation traces in sensor streams via autoencoder-integrated density estimation

　　

摘要：自动化事件检测方法的应用增强了通过传感器数据对技术系统运行状况的监测能力。尤其在汽车领域，存在对能够识别传感器数据中所嵌入事件的方法的迫切需求。在主动车辆安全系统中，会模拟多种驾驶场景，包括对外部传感器所测量的车辆动力学特性进行审查。因此，自动化检测方法通过消除人工评估的需求而加快了评估进程。本研究考察了一种用于识别传感器数据中车道偏离预警（Lane Departure Warning, LDW）功能激活区间的事件检测方法。所提出的模型基于预定义的窗口和步长对传感器驱动数据进行分段，随后从时间分段中生成标量图（scalogram）。与目标事件显著重叠的标量图被标记为目标标量图。该模型由一个自编码器网络与一个密度估计函数集成而成。自编码器经过训练以重建目标标量图。编码器模块用作从训练数据中提取特征（这些特征作为密度函数的输入）的机制。该算法的有效性通过评估其区分目标标量图与从未知传感器数据的所有时间分段生成的标量图的能力来确定。该算法在未见数据集上评估时，在精确定位事件位置方面达到了94%的精确率，时间区间偏移平均为0.5秒。本研究表明，采用单类分类器（传统上用于异常检测）用于主动车辆安全实验传感器数据中的事件检测具有潜力，并进一步强调通过集成多个互补模型可以提升其性能。

基于单类分类的传感器流车道偏离预警激活痕迹检测：自编码器集成密度估计的论文解读

研究背景与问题

根据世界卫生组织2018年全球道路安全状况报告，每年有超过135万人死于致命道路交通事故，主要原因在于人为失误。因此，近年来各类能够帮助车辆自主应对危险交通场景的安全系统成为研究热点。车辆安全系统大致可分为被动车辆安全（PVS）与主动车辆安全（AVS）两类。AVS系统通过驾驶员通知或直接干预驾驶来预防危险情况。为保证AVS系统的稳健性，需要持续监测其运行状况，并通过模拟真实交通条件的多样化测试场景来验证其性能。欧洲新车评估计划（Euro-NCAP）等机构执行一系列AVS测试，利用多个外部安装传感器测量车辆参数，并依据测试驾驶员经验评估系统表现。由于AVS测试期间收集到大量时间序列数据，传统上依赖具有深厚专业知识的观察者人工审查记录数据，以确认特定AVS功能在测试操作中是否及时激活。然而，人工监测耗时费力，且结果往往在质量和可靠性方面存在局限，可能产生误判并将错误传播至后续开发迭代。因此，需要一种自动化事件检测机制来高效监督记录的时间序列数据。本研究聚焦于车道偏离预警（LDW）功能——作为主动车辆安全系统的组成部分——在测量车辆转向柱力矩的传感器流中的激活痕迹检测。该目标事件具有三个显著特征：其一，出于乘客舒适性考虑，LDW激活干预通常设计得平滑且非侵入性，导致外部传感器数据中事件边界模糊不清，难以界定起始与持续时间；其二，目标事件的频率内容在每次发生期间呈非平稳特性，受驾驶员响应、路面条件和车辆背景振动等多重外部因素影响，但整体频率变化模式在不同事件实例间保持一致，为机器学习（ML）方法提供了基础；其三，事件持续时间极短（通常0.6–1.2秒），而整个记录实验持续15–40秒，导致数据集严重类别不平衡，非事件样本远超事件样本。因此，面向AVS测试的自动化事件检测方法必须满足三个关键标准：精确识别检测时间区间边界、在显著背景振动下保持可靠检测能力、在不同实验条件下展现稳健性能，同时保持较低计算开销。

研究内容与结论

针对上述挑战，本文提出了一种基于单类分类（OCC）框架的事件检测方法，将自编码器网络与密度估计函数相集成。该方法首先利用连续小波变换（CWT）将传感器时间序列分段转换为标量图（scalogram），通过滑动窗口机制以0.8秒窗口和0.15秒步长分割数据，并以70%重叠阈值标记目标标量图。模型训练仅使用目标类标量图，自编码器学习重建这些标量图，编码器模块输出的瓶颈层特征作为核密度估计（KDE）的输入。通过结合重建误差与KDE值两个判别指标，并引入连续窗口数参数N作为物理约束，算法在57个未见LSS实验中实现了94%的精确率，平均时间偏移约0.5秒。研究表明，传统上用于异常检测的OCC方法在事件检测中具有潜力，且通过集成多个互补模型可以提升性能。论文发表在《Engineering Applications of Artificial Intelligence》。

关键技术方法

研究人员采用了以下主要技术方法：1）连续小波变换（CWT），选用Gabor小波作为基小波，将时间序列分段转换为二维标量图（scalogram），以表征时频域特征；2）自编码器网络，采用卷积层、最大池化层和上采样层构成对称架构，仅以目标类标量图训练，学习重建目标模式并提取瓶颈层紧凑特征；3）核密度估计（KDE），以自编码器瓶颈层输出的数值特征作为输入，估计目标类概率密度，采用高斯核函数和各向同性带宽，通过Silverman经验法则确定带宽参数；4）双指标阈值判定，结合重建误差与KDE密度值两个标准区分目标与非目标标量图；5）连续窗口计数规则，基于事件在时间上具有持续性的物理特性，要求至少N个连续标量图被标记为1才判定事件存在，最终确定N=4。实验数据来源于147次LSS实验，其中88次用于训练（含219个目标标量图和10413个异常标量图），57次用于测试，测试数据来自不同公司、个人和设备，CAN-Bus传感器数据作为基准真值。

研究结果

标量图级分析：研究人员通过滑动窗口生成标量图，并评估不同N值（1至6）下的性能。当N=4时，算法在57个未见实验上达到精确率0.94、召回率0.98、准确率0.99、F1分数0.95。从N=4增至5时，真阳性数从379骤降至291，而假阴性从6增至21，导致召回率从0.98降至0.75。综合各指标，N=4为最优选择，兼顾了泛化能力与鲁棒性。

异常过滤效果分析：在训练阶段，仅使用重建误差标准可从10413个异常标量图中正确识别8539个（真负率0.82），但仍有1874个误分类为标签1；仅使用KDE标准则正确识别6044个（真负率0.58），4369个被误判。将两者结合后，正确识别9548个异常（真负率0.92），仅865个误分类，显著提升了过滤性能。

事件区间检测分析：在所有56次推理LSS实验中存在57次LDW事件，算法成功识别56次，仅遗漏1次，同时报告了10个在CAN-Bus真值中无对应事件的虚假区间。算法检测到的时间区间通常长于实际事件持续时间，识别范围约为1.25至3.65秒，而事件实际持续0.63至2.46秒，平均下边界偏移约0.40秒，上边界偏移约0.46秒。部分场景中事件被检测为两个重叠时间区间，原因是事件附近存在一个或多个标签0的标量图中断了连续标签1序列；当两个事件间隔极短时，算法能正确区分中间的非事件段，但可能使用户难以判断是单个还是多个事件。误检（FN）案例分析显示，遗漏事件是因为事件位置虽有三个连续标签1标量图，但未达到N=4的阈值。此外，易重建异常分析表明，低频振动或零值区间生成的平滑标量图具有低重建误差，但KDE密度值能有效区分这些假阳性样本。

讨论与结论

讨论部分指出，OCC方法天然易过拟合，尤其是在目标类样本有限情况下。研究人员通过耦合两种原理不同的简单OCC方法（自编码器与KDE）构建混合算法，避免了对单一方法的过度优化，从而降低过拟合风险。N参数的引入作为一种基于物理特性的正则化机制，在不增加算法技术复杂度的情况下提升了鲁棒性。数据不平衡问题是传感器流事件检测中的普遍挑战，由于目标事件持续时间短，增加实验次数并不能有效改善类别平衡，而OCC方法对正负样本比例依赖性较低。所提出方法推荐用于事件边界瞬态、受环境振动影响、数据高度不平衡的传感器流场景，但不适用于事件明显且边界清晰、频率内容单调或事件频繁且多变的检测任务。研究结论表明，将OCC方法与事件发生模式的时间特性集成可显著降低误报检测率，提升算法整体效率。自编码器组件学习目标事件时间窗口的潜在流形，同时为KDE组件自动降维，避免了针对维度敏感部分的单独特征工程。研究局限在于LDW激活测试操作数量有限，获取真实多样化驾驶条件下触发LDW的传感器数据成本高昂，但这正是采用OCC方法的动机所在，因为此类方法适用于无法全面获取真实世界数据类型的场景。未来研究建议提前开展广泛系统的数据收集，覆盖实验中可能出现的全面场景，并提高方法的时间分辨率以更精细地检测信号中的事件。