一种自动驾驶汽车异常检测方法及相关系统技术方案

本发明专利技术公开了一种自动驾驶汽车异常检测方法及系统，采用自动驾驶车辆正常行驶状态下的系统运行数据信息训练深度神经网络异常检测模型得到训练好的异常检测模型；利用异常检测模型对自动驾驶车辆的实时数据进行检测得到自动驾驶车辆的检测结果，本发明专利技术能够有效支持工程师或相关领域专家调查黑箱异常检测模型预测的异常。除了有助于节省时间和维护成本外，它还实现了模型的透明性，从而促进工程师或相关领域专家信任所提出的异常检测模型。能够很好的展现对模型输出有重要影响的特征，以及展现这些特征单一地对模型输出产生的影响，进而提升领域专家对深度学习模型决策的理解，更为重要的是加快了领域专家对异常的定位和故障的诊断。故障的诊断。故障的诊断。

【技术实现步骤摘要】
一种自动驾驶汽车异常检测方法及相关系统


[0001]本专利技术属于系统故障诊断领域，涉及自动驾驶汽车传感器数据异常分析，具体涉及一种自动驾驶汽车异常检测方法及相关系统。

技术介绍

[0002]自动驾驶汽车技术融合了传感器技术、计算机技术、通信技术、信息处理技术、控制技术、人工智能等诸多领域的高科技技术。其在交通运输领域有着巨大的发展潜力，前景被普遍看好。安全性问题是自动驾驶汽车首要考虑的问题，在做控制决策之前，自动驾驶汽车往往需要接收和处理大量传感器数据，及时检测出传感器数据异常是保障自动驾驶汽车安全的重要手段。深度学习方法被证明在处理大量高维数据的领域内有巨大潜力。然而，传统深度学习方法检测自动驾驶汽车传感器数据异常由于其“黑盒”特性，其智能决策通常不为人类所理解，智能车辆的异常检查所采用的深度学习可解释性差，这种缺陷阻碍了这项技术被社会接受，因此，导致车辆异常检测精度低，严重影响了自动驾驶汽车安全。

技术实现思路

[0003]本专利技术的目的在于提供一种自动驾驶汽车异常检测方法及相关系统，以克服现有车辆的异常检查精度低、所采用智能检测方法可解释性差的问题。
[0004]一种自动驾驶汽车异常检测方法，包括以下步骤：
[0005]采用自动驾驶车辆正常行驶状态下的系统运行数据信息训练深度神经网络异常检测模型得到训练好的异常检测模型；
[0006]利用异常检测模型对自动驾驶车辆的实时数据进行检测得到自动驾驶车辆的检测结果。
[0007]优选的，采用自动驾驶车辆正常行驶状态下的系统运行数据信息包括：从自动驾驶车辆的自动驾驶传感器上获取自动驾驶车辆正常行驶状态下的系统运行数据信息，从获取的系统运行数据信息中提取自动驾驶车辆组合导航数据信息，并对提取的自动驾驶车辆组合导航数据信息进行预处理。
[0008]优选的，对提取的自动驾驶车辆组合导航数据信息进行预处理包括：对重复记录保留一条，对于字段不完整或字段错误的样本，使用该样本前后相邻的两个样本对应字段的线性插值补全错误或不完整字段。
[0009]优选的，深度神经网络异常检测模型训练过程包括：选用经过深度神经网络异常检测模型压缩和解压的原始输入的系统运行数据信息与原始训练数据的差值作为OCSVM拟合的数据，拟合过超平面边界的OCSVM模型的输入，以此来检测异常，边界以内的样本是正常样本，边界以外的样本即为异常。
[0010]优选的，重建深度长短期记忆自动编码器网络：将深度神经网络异常检测模型的输出层的输出结构设置为单维度输出，将训练好的深度神经网络异常检测模型的每一层权重赋予新搭建的长短期记忆自动编码器，以此来代替原始被解释模型进行可解释性赋能。
[0011]优选的，使用长短期记忆自动编码器深度神经网络的训练数据作为模型解释器的背景集，同时解释模型使用重建的深度长短期记忆自动编码器网络，以此来构建模型解释器，基于模型解释器计算出的测试集所有样本的所有特征的SHAP值。
[0012]一种自动驾驶汽车异常检测系统，包括异常检测模块；
[0013]异常检测模块，用于存储采用自动驾驶车辆正常行驶状态下的系统运行数据信息训练深度神经网络异常检测模型得到训练好的异常检测模型；利用异常检测模型对自动驾驶车辆的实时数据进行检测得到自动驾驶车辆的检测结果。
[0014]优选的，采用自动驾驶车辆正常行驶状态下的系统运行数据信息包括：从自动驾驶车辆的自动驾驶传感器上获取自动驾驶车辆正常行驶状态下的系统运行数据信息，从获取的系统运行数据信息中提取自动驾驶车辆组合导航数据信息，并对提取的自动驾驶车辆组合导航数据信息进行预处理。
[0015]优选的，对提取的自动驾驶车辆组合导航数据信息进行预处理包括：对重复记录保留一条，对于字段不完整或字段错误的样本，使用该样本前后相邻的两个样本对应字段的线性插值补全错误或不完整字段。
[0016]优选的，深度神经网络异常检测模型训练过程包括：选用经过深度神经网络异常检测模型压缩和解压的原始输入的系统运行数据信息与原始训练数据的差值作为OCSVM拟合的数据，拟合过超平面边界的OCSVM模型的输入，以此来检测异常，边界以内的样本是正常样本，边界以外的样本即为异常。
[0017]与现有技术相比，本专利技术具有以下有益的技术效果：
[0018]本专利技术一种自动驾驶汽车异常检测方法，采用自动驾驶车辆正常行驶状态下的系统运行数据信息训练深度神经网络异常检测模型得到训练好的异常检测模型；利用异常检测模型对自动驾驶车辆的实时数据进行检测得到自动驾驶车辆的检测结果，本专利技术能够有效支持工程师或相关领域专家调查黑箱异常检测模型预测的异常。除了有助于节省时间和维护成本外，它还实现了模型的透明性，从而促进工程师或相关领域专家信任所提出的异常检测模型。
[0019]本专利技术经过可解释赋能的深度学习模型，能够很好的展现对模型输出有重要影响的特征，以及展现这些特征单一地对模型输出产生的影响，进而提升领域专家对深度学习模型决策的理解，更为重要的是加快了领域专家对异常的定位和故障的诊断。
附图说明
[0020]图1是本专利技术实施例中的系统模块图。
[0021]图2是本专利技术实施例中的自动驾驶汽车GNSS天线及有关设备安装示意图。
[0022]图3是本专利技术实施例中的全连接长短期自动编码器网络结构示意图。
[0023]图4是本专利技术实施例中的模型解释SHAP概要图。
[0024]图5是本专利技术实施例中的模型解释SHAP特征重要性图。
[0025]图6是本专利技术实施例中自动驾驶汽车异常检测方法流程图。
具体实施方式
[0026]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的
附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0027]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028]本实施例中，如图1
‑
6具体阐述该可解释性的自动驾驶汽车异常检测方法的实施；用于异常检测的信息选择以组合导航(GNSS+惯性导航)信息为例，所采用的数据采集装置包括安装于车内的高精度MEMS(微机电系统)组合导航系统和一套接收卫星信号的GNSS天线，一台记录组合导航本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶汽车异常检测方法，其特征在于，包括以下步骤：采用自动驾驶车辆正常行驶状态下的系统运行数据信息训练深度神经网络异常检测模型得到训练好的异常检测模型；利用异常检测模型对自动驾驶车辆的实时数据进行检测得到自动驾驶车辆的检测结果。2.根据权利要求1所述的一种自动驾驶汽车异常检测方法，其特征在于，采用自动驾驶车辆正常行驶状态下的系统运行数据信息包括：从自动驾驶车辆的自动驾驶传感器上获取自动驾驶车辆正常行驶状态下的系统运行数据信息，从获取的系统运行数据信息中提取自动驾驶车辆组合导航数据信息，并对提取的自动驾驶车辆组合导航数据信息进行预处理。3.根据权利要求2所述的一种自动驾驶汽车异常检测方法，其特征在于，对提取的自动驾驶车辆组合导航数据信息进行预处理包括：对重复记录保留一条，对于字段不完整或字段错误的样本，使用该样本前后相邻的两个样本对应字段的线性插值补全错误或不完整字段。4.根据权利要求3所述的一种自动驾驶汽车异常检测方法，其特征在于，深度神经网络异常检测模型训练过程包括：选用经过深度神经网络异常检测模型压缩和解压的原始输入的系统运行数据信息与原始训练数据的差值作为OCSVM拟合的数据，拟合过超平面边界的OCSVM模型的输入，以此来检测异常，边界以内的样本是正常样本，边界以外的样本即为异常。5.根据权利要求4所述的一种自动驾驶汽车异常检测方法，其特征在于，重建深度长短期记忆自动编码器网络：将深度神经网络异常检测模型的输出层的输出结构设置为单维度输出，将训练好的深度神经网络异常检测模型的每一层权重赋予新搭建的长短期记忆自动编码器，以此来代替原始被解释模型进行可解释性赋能。6.根据权利要求5所...

【专利技术属性】
技术研发人员：闵海根，陈仕祥，赵祥模，吴霞，徐志刚，刘占文，尚旭明，宋瑞，杨澜，张立成，王润民，龚思远，王武祺，方煜坤，雷小平，
申请(专利权)人：长安大学，
类型：发明
国别省市：