Marco de aprendizaje conjunto para la detección de anomalías en sistemas de conducción autónomos

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Sistemas autónomos

Sus antecedentes:

• Los modelos individuales de IA tienen limitaciones inherentes para la detección de anomalías.
• La seguridad de los sistemas de conducción autónoma requiere técnicas robustas de detección de anomalías.

Objetivo del estudio:

• Proponer y evaluar un marco de aprendizaje conjunto para la detección de anomalías en la conducción autónoma.
• Evaluar la eficacia de los modelos conjuntos con respecto a los modelos individuales utilizando conjuntos de datos VeReMi y Sensor.

Principales métodos:

• Evaluación rigurosa de los modelos de aprendizaje en conjunto frente a los modelos individuales.
• Se realizaron tareas de clasificación binaria y multiclase en conjuntos de datos de vehículos autónomos.
• Las métricas de rendimiento incluyen precisión, recuerdo, tasas de falsos positivos y puntuación F1.

Principales resultados:

• Los modelos conjuntos superaron constantemente a los modelos individuales en todas las métricas evaluadas.
• En el conjunto de datos VeReMi, los conjuntos lograron una precisión máxima de 0,80 y una puntuación F1 de 0,86.
• En el conjunto de datos de Sensor, los modelos de conjunto como CatBoost lograron una precisión, precisión, recuerdo y puntuación F1 perfectos.
• Los métodos conjuntos redujeron los falsos positivos, mejorando significativamente la confiabilidad del sistema.

Conclusiones:

• El aprendizaje conjunto proporciona una solución robusta para la detección de anomalías en la conducción autónoma.
• El marco propuesto mejora la precisión y la fiabilidad de los sistemas de conducción autónoma.
• A pesar del aumento del tiempo de ejecución, los modelos conjuntos ofrecen un rendimiento superior para aplicaciones de seguridad críticas.