CN114577252A - 异常检测系统和方法 - Google Patents

异常检测系统和方法 Download PDF

Info

Publication number
CN114577252A
CN114577252A CN202110508186.1A CN202110508186A CN114577252A CN 114577252 A CN114577252 A CN 114577252A CN 202110508186 A CN202110508186 A CN 202110508186A CN 114577252 A CN114577252 A CN 114577252A
Authority
CN
China
Prior art keywords
sensor
group
subset
signals
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110508186.1A
Other languages
English (en)
Inventor
M.D.佩塞
P.乔希
K.E.特佩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN114577252A publication Critical patent/CN114577252A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0038—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0092—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption with use of redundant elements for safety purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/14—Acceleration
    • B60L2240/16—Acceleration longitudinal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/22—Yaw angle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2250/00—Driver interactions
    • B60L2250/10—Driver interactions by alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

提供了用于检测车辆的传感器的异常的系统和方法。在一个实施例中，一种方法包括:基于车辆动力学存储多个传感器相关组；基于传感器相关组处理信号子集，以确定异常何时存在；基于传感器相关组处理信号子集，以确定传感器相关组中的哪个传感器是异常的；以及基于异常的相关组的传感器生成通知数据。

Description

异常检测系统和方法
技术领域
本公开总体上涉及车辆，更具体地说，涉及用于检测车辆内异常的系统 和方法。
背景技术
自主或半自主车辆是一种能够感知其环境并在很少或没有用户输入的 情况下导航的车辆。自主车辆使用诸如惯性测量单元、雷达、激光雷达、图 像传感器等感测设备来感测其环境。自主车辆系统还使用来自全球定位系统 (GPS)技术、导航系统、车辆对车辆通信、车辆对基础设施技术和/或线控系 统的信息来导航车辆。
此外，自主或半自主车辆依赖于来自传感器的传感器数据，这些传感器 监控车辆的可观察状态，例如但不限于速度传感器、位置传感器、偏航率传 感器、惯性传感器等。在某些情况下，一个或多个传感器可能会出现故障。 传感器中的故障和/或相应传感器数据的故障或恶意攻击会导致控制软件感 知环境和/或车辆功能不正确，从而导致系统做出错误的决定。因此，期望提 供用于检测车辆传感器异常的改进方法和系统。还希望提供用于检测其他车 辆传感器异常的方法和系统。此外，结合附图和前述技术领域和背景技术， 从随后的详细描述和所附权利要求中，本发明的其他期望的特征和特性将变 得显而易见。
发明内容
提供了用于检测车辆的传感器的异常的系统和方法。在一个实施例中， 一种方法包括：基于车辆动力学存储多个传感器相关组；基于传感器相关组处 理信号子集，以确定异常何时存在；基于传感器相关组处理信号子集，以确 定传感器相关组中的哪个传感器是异常的；以及基于传感器相关组中的异常 的传感器生成通知数据。
在各种实施例中，多个传感器相关组包括位置组、速度组、加速度组、 航向组和偏航率组。在各种实施例中，多个传感器相关组中的每一个包括基 于车辆动力学与该组相关的一个或多个传感器。在各种实施例中，信号子集 包括位置信号、速度信号、加速度信号、航向信号和偏航率信号。
在各种实施例中，处理信号子集以确定异常何时存在包括基于多个相关 组计算平均绝对误差(MAE)。
在各种实施例中，处理信号子集以确定异常何时存在是基于限定的批量 大小。
在各种实施例中，处理信号子集以确定传感器相关组中的哪个传感器是 异常的是基于深度优先搜索方法和多个传感器相关组。
在各种实施例中，处理信号子集以确定传感器相关组中的哪个传感器异 常是基于与多个相关组中的传感器相关组相关联的预测条件向量的计算平 均值。
在各种实施例中，该方法包括基于异常信号数据训练多个阈值，并且其 中处理信号子集以确定传感器相关组中的哪个传感器异常是基于多个训练 的阈值的。
在各种实施例中，该方法包括基于异常信号数据训练多个阈值，并且其 中处理信号子集以确定传感器相关组的传感器何时异常是基于多个训练的 阈值的。
在另一个实施例中，提供了一种计算机实现的系统。该计算机实现的系 统包括异常检测模块，该异常检测模块包括由编码在非暂时性计算机可读介 质中的编程指令配置的一个或多个处理器，该异常检测模块被配置为：基于车 辆动力学存储多个传感器相关组；基于传感器相关组处理信号子集，以确定 异常何时存在；基于传感器相关组处理信号子集，以确定传感器相关组中的 哪个传感器是异常的；并且基于传感器相关组中的异常的传感器生成通知数 据。
在各种实施例中，多个传感器相关组包括位置组、速度组、加速度组、 航向组和偏航率组。在各种实施例中，多个传感器相关组中的每一个包括基 于车辆动力学与该组相关的一个或多个传感器。
在各种实施例中，信号子集包括位置信号、速度信号、加速度信号、航 向信号和偏航率信号。
在各种实施例中，异常检测模块被配置为通过基于多个相关组计算平均 绝对误差来处理信号子集以确定异常何时存在。
在各种实施例中，异常检测模块被配置成处理信号的子集，以基于限定 的批量大小来确定异常何时存在。
在各种实施例中，异常检测模块被配置为处理信号子集，以基于深度优 先搜索方法和多个传感器相关组来确定传感器相关组中的哪个传感器异常。
在各种实施例中，异常检测模块被配置成处理信号子集，以基于与多个 相关组的传感器相关组相关联的预测条件向量的计算平均值来确定传感器 相关组中的哪个传感器异常。
在各种实施例中，其中异常检测模块被配置为基于异常信号数据训练多 个阈值，并且基于多个训练的阈值处理信号子集以确定传感器相关组中的哪 个传感器异常。
在各种实施例中，异常检测模块被配置为基于异常信号数据训练多个阈 值，并且基于多个训练的阈值处理信号子集以确定传感器相关组的传感器何 时异常。
附图说明
下文将结合以下附图描述示例性实施例，其中相同的附图标记表示相同 的元件，并且其中：
图1是示出根据各种实施例的具有异常检测系统的车辆的功能框图；
图2是示出根据各种实施例的具有异常检测系统的车辆的操作环境的 功能框图；
图3是示出根据各种实施例的异常检测模块的数据流程图；和
图4和图5是示出根据各种实施例的异常检测系统可以执行的异常检测 方法的流程图。
具体实施方式
以下详细描述本质上仅仅是示例性的，并不旨在限制应用和使用。此外， 不打算受前面的技术领域、背景、简要概述或下面的详细描述中提出的任何 明示或暗示的理论的约束。如这里所使用的，术语模块指的是任何硬件、软 件、固件、电子控制组件、处理逻辑和/或处理器设备，单独地或以任何组合， 包括但不限于：专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或成 组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供 所述功能的其他合适的组件。
这里可以根据功能和/或逻辑块组件和各种处理步骤来描述本公开的实 施例。应当理解，这种块组件可以由被配置为执行指定功能的任何数量的硬 件、软件和/或固件组件来实现。例如，本公开的实施例可以采用各种集成电 路组件，例如，存储元件、数字信号处理元件、逻辑元件、查找表等，它们 可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外， 本领域技术人员将理解，本公开的实施例可以结合任何数量的系统来实施， 并且这里描述的系统仅仅是本公开的示例性实施例。
为了简洁起见，这里可能不详细描述与信号处理、数据传输、信令、控 制和系统的其他功能方面(以及系统的各个操作组件)相关的传统技术。此外， 本文包含的各图中所示的连接线旨在表示各种元件之间的示例功能关系和/ 或物理耦合。应当注意，在本公开的实施例中可以存在许多替代的或附加的 功能关系或物理连接。
参照图1，根据各种实施例，总体上以100示出的异常检测系统与车辆 10相关联。一般来说，异常检测系统100接收并处理信号数据，以便使用从 车辆到一切(V2X)消息的信号子集实时检测车辆10(自我车辆)和其他车辆(与 自我车辆通信)中以数据为中心的异常，例如但不限于基本紧急和安全消息， 这将在下面更详细地讨论。在各种实施例中，异常检测系统100将检测到的 异常的起源追溯到特定信号或信号组。在各种实施例中，异常检测系统100 验证其自身信号数据的正确性，并保护车辆10免受来自其他车辆的异常/不 当数据的影响。
如图1的例子所示，车辆10是汽车，通常包括底盘12、车身14、前轮 16和后轮18。车身14布置在底盘12上，并且基本上封闭车辆10的部件。 车身14和底盘12可以共同形成框架。轮子16-18每个都在车身14的相应 拐角附近可旋转地连接到底盘12。
如图所示，车辆10通常包括推进系统20、传动系统22、转向系统24、 制动系统26、传感器系统28、致动器系统30、至少一个数据存储设备32、 至少一个控制器34和通信系统36。在各种实施例中，推进系统20包括内燃 机、电机，例如由一个或多个电池单独供电的牵引马达(例如，作为纯电动车 辆)或者内燃机的组合，和/或燃料电池推进系统(例如，作为混合电动车辆)。
传动系统22被配置成根据可选择的速度比将动力从推进系统20传递到 车轮16-18。根据各种实施例，变速器系统22可包括有级变速自动变速器、 无级变速器或其他合适的变速器。制动系统26被配置为向车轮16-18提供 制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动 器、再生制动系统，如电机，和/或其他合适的制动系统。转向系统24影响 车轮16-18的位置。
传感器系统28包括一个或多个感测设备40a-40n，其感测车辆10的外 部环境和/或内部环境的可观察条件。感测设备40a-40n可以包括但不限于雷 达、激光雷达、全球定位系统、光学相机、热相机、超声波传感器、惯性测 量单元和/或其他传感器。在各种实施例中，传感器系统28还包括一个或多 个感测装置41a-41n，其感测一个或多个车辆部件的可观察状态。
致动器系统30包括一个或多个致动器装置42a-42n，其控制一个或多个 车辆特征，例如但不限于推进系统20、传动系统22、转向系统24和制动系 统26。在各种实施例中，车辆特征可进一步包括内部和/或外部车辆特征， 例如但不限于门、行李箱和车厢特征，例如空气、音乐、照明等(未编号)。
通信系统36被配置成与其他实体48无线通信信息，例如但不限于其他 车辆(“V2V”通信)、基础设施(“V2I”通信)、一切(“V2X”通信)、远程系 统、充电站和/或个人设备(参考图2更详细地描述)。在一个示例性实施例中， 通信系统36是被配置为使用IEEE802.11标准经由无线局域网(WLAN)或通 过使用蜂窝数据通信进行通信的无线通信系统。然而，附加的或替代的通信 方法，例如专用短程通信(DSRC)信道或蜂窝V2X(C-V2X)，也被认为在本公 开的范围内。DSRC信道是指专为汽车使用而设计的单向或双向短程至中程 无线通信信道以及相应的一组协议和标准。
数据存储设备32存储用于控制自动车辆10的数据。在各种实施例中， 数据存储设备32存储可导航环境的已定义地图。在各种实施例中，所定义 的地图可以由远程系统预定义并从远程系统获得(参考图2更详细地描述)。 例如，所定义的地图可以由远程系统组装并传送到自主车辆10(无线和/或有 线方式)，并存储在数据存储设备32中。路线信息也可以存储在数据存储设 备32中，即一组路段(在地理上与一个或多个所定义的地图相关联)，它们一 起定义了用户从开始位置(例如，用户的当前位置)行进到目标位置的路线。 可以理解，数据存储设备32可以是控制器34的一部分，与控制器34分离， 或者是控制器34的一部分和独立系统的一部分。
控制器34包括至少一个处理器44和计算机可读存储设备或介质46。 处理器44可以是任何定制的或市场上可买到的处理器、中央处理单元(CPU)、 图形处理单元(GPU)、与控制器34相关联的多个处理器中的辅助处理器、基 于半导体的微处理器(以微芯片或芯片组的形式)、宏处理器、它们的任何组 合、或通常用于执行指令的任何设备。计算机可读存储设备或介质46可以 包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中 的易失性和非易失性存储。KAM是永久性的或非易失性存储器，当处理器 44断电时，其可用于存储各种操作变量。计算机可读存储设备或介质46可 以使用多种已知存储设备中的任何一种来实现，例如PROMs(可编程只读存 储器)、EPROMs(电可编程只读存储器)、EEPROMs(电可擦除可编程只读存 储器)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一 些表示控制器34在控制自主车辆10时使用的可执行指令。在各种实施例中，控制器34被配置成实现异常检测系统和方法，正如下文详细讨论的那 样。
控制器34的指令可以包括一个或多个单独的程序，每个程序包括用于 实现逻辑功能的可执行指令的有序列表。当由处理器44执行时，这些指令 接收并处理来自传感器系统28的信号，执行用于自动控制车辆10的部件的 逻辑、计算、方法和/或算法，并产生控制信号给致动器系统30，从而基于逻 辑、计算、方法和/或算法自动控制车辆10的部件。尽管图1中仅示出了一 个控制器34，车辆10的实施例可以包括任意数量的控制器34，控制器34通过任意合适的通信介质或通信介质的组合进行通信，并且协作来处理传感 器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以控制车辆10 的特征。如上所述，图1的异常检测系统100的全部或部分包含在控制器34 中。
现在参考图2，其中异常检测系统100的操作环境总体上以50示出，其 包括远程运输系统52，该远程运输系统52与一个或多个车辆10a-10n相关 联并与之通信，如参考图1所述。在各种实施例中，操作环境50还包括一 个或多个用户设备54，其通过通信网络56与车辆10a-10n和/或远程运输系 统52通信。
通信网络56支持操作环境50支持的设备、系统和组件之间所需的通信(例如。经由有形的通信链路和/或无线通信链路)。例如，通信网络56可以包 括无线载波系统60，例如蜂窝电话系统，其包括多个蜂窝塔(未示出)、一个 或多个移动交换中心(MSCs)(未示出)，以及将无线载波系统60与陆地通信 系统连接所需的任何其他联网组件。每个蜂窝塔包括发送和接收天线以及基 站，来自不同蜂窝塔的基站直接或通过中间设备如基站控制器连接到移动交 换中心。无线载波系统60可以实现任何合适的通信技术，包括例如数字技 术，例如CDMA(例如，CDMA2000)、LTE(例如，4G LTE或5G LTE)、 GSM/GPRS或其他当前或新兴的无线技术。其他蜂窝塔/基站/移动交换中心 布置也是可能的，并且可以与无线载波系统60一起使用。例如，基站和蜂 窝塔可以位于同一地点，或者它们可以彼此远离，每个基站可以负责单个蜂 窝塔，或者单个基站可以服务各种蜂窝塔，或者各种基站可以耦合到单个MSC，仅举几个可能的布置为例。
除了包括无线载波系统60之外，可以包括卫星通信系统64形式的第二 无线载波系统，以提供与车辆10a-10n的单向或双向通信。这可以使用一个 或多个通信卫星(未示出)和上行链路发射站(未示出)来完成。单向通信可以 包括例如卫星无线电服务，其中节目内容(新闻、音乐等)由发射台接收，打 包上传，然后发送到卫星，卫星向用户广播节目。双向通信可以包括例如卫 星电话服务，该服务使用卫星来中继车辆10和台站之间的电话通信。除了 无线载波系统60之外或者代替无线载波系统60，可以使用卫星电话。
还可以包括陆地通信系统62，其是连接到一个或多个陆线电话并将无线 运营商系统60连接到远程运输系统52的传统的基于陆地的电信网络。例 如，陆地通信系统62可以包括公共交换电话网(PSTN)，例如用于提供硬连 线电话、分组交换数据通信和互联网基础设施。陆地通信系统62的一个或 多个部分可以通过使用标准有线网络、光纤或其他光网络、电缆网络、电力 线、其他无线网络如无线局域网(WLAN)、或提供宽带无线接入的网络(BWA) 或其任意组合来实现。此外，远程运输系统52不需要经由陆地通信系统62 连接，而是可以包括无线电话设备，从而使得它可以直接与无线网络通信， 例如无线运营商系统60。
尽管图2中仅示出了一个用户设备54，操作环境50的实施例可以支持 任意数量的用户设备54，包括由一个人拥有、操作或以其他方式使用的多个 用户设备54。操作环境50支持的每个用户设备54可以使用任何合适的硬 件平台来实现。在这点上，用户设备54可以以任何常见的形式实现，包括 但不限于：台式计算机；移动计算机(例如，平板电脑、膝上型电脑或上网本 电脑)；智能手机；视频游戏设备；数字媒体播放器；一件家庭娱乐设备；数码相机或摄像机；可穿戴计算设备(例如，智能手表、智能眼镜、智能服装)； 或者诸如此类。由操作环境50支持的每个用户设备54被实现为计算机实现 的或基于计算机的设备，其具有执行这里描述的各种技术和方法所需的硬件、 软件、固件和/或处理逻辑。例如，用户设备54包括可编程设备形式的微处 理器，该微处理器包括存储在内部存储器结构中的一个或多个指令，并被应 用于接收二进制输入以创建二进制输出。在一些实施例中，用户设备54包 括能够接收全球定位系统卫星信号并基于这些信号生成全球定位系统坐标 的全球定位系统模块。在其他实施例中，用户设备54包括蜂窝通信功能， 使得该设备使用一个或多个蜂窝通信协议在通信网络56上执行语音和/或数 据通信，正如这里所讨论的那样。在各种实施例中，用户设备54包括视觉 显示器，例如触摸屏图形显示器或其他显示器。
远程运输系统52包括一个或多个后端服务器系统，这些后端服务器系 统可以是基于云的、基于网络的，或者驻留在远程运输系统52所服务的特 定校园或地理位置。远程运输系统52可以由现场顾问、自动顾问或两者的 组合来操纵。远程运输系统52可以与用户设备54和/或车辆10a-10n通信， 以安排乘坐、调度车辆10a-10n、传递信息等，这将在下面更详细地讨论。
可以理解，本文公开的主题为可以被认为是标准或基线车辆10和/或远 程运输系统52提供了某些增强的特征和功能。为此，车辆和远程运输系统 可以被修改、增强或以其他方式补充，从而提供这里公开的异常检测系统100 的附加特征。
如关于图3更详细示出的那样并且继续参考图1，异常检测系统100可 以被实现为一个或多个模块，其被配置为通过例如处理器来执行一个或多个 方法。可以理解，图3所示的模块可以被组合和/或进一步分割，以便执行这 里描述的功能或方法。此外，模块的输入可以是从传感器系统28接收的， 从与车辆10相关联的其他控制模块(未示出)接收的，从通信系统36接收的， 和/或由图1的控制器34内的其他子模块(未示出)确定/建模的。此外，所述 输入还可能经过预处理，如子采样、降噪、归一化、特征提取、缺失数据减 少等。在各种实施例中，异常检测系统100包括训练模块102、异常检测模 块104、源识别模块106、组数据存储108和参数数据存储110。
在各种实施例中，组数据存储108存储与传感器对相关的组数据112。 例如，车辆动力学可以用基本物理方程来表示，其中传感器对是内在交叉相 关的。关联组是基于这些物理方程创建的。例如，给定以下关系：
Figure BDA0003057638870000091
Figure BDA0003057638870000092
Figure BDA0003057638870000093
Figure BDA0003057638870000094
和
Figure BDA0003057638870000095
可以建立五个相关组，包括位置、速度、加速度、航向和偏航率。这些 组被预先建立并作为组数据112存储在组数据存储108中。
在各种实施例中，参数数据存储110存储供异常检测模块104和源识别 模块106使用的参数数据114。参数数据114包括与每个组相关联的阈值数 据。
在各种实施例中，异常检测系统100被配置成以两种模式操作，例如但 不限于离线模式和在线模式。例如，在设计期间和制造之前，异常检测系统 100以训练模式操作，其中参数被确定并存储在参数数据存储110中，以供 异常检测模块104和源识别模块106使用。在另一个例子中，在车辆10的 操作期间，异常检测系统100以在线模式操作，其中基于来自参数数据存储 110的存储参数连续处理信号数据。
在各种实施例中，训练模块102以离线模式操作，并接收异常数据116、 信号数据118和组数据112。信号数据118可以包括非异常数据。基于接收 到的数据，训练模块102训练在在线模式中使用的参数，并将这些参数作为 参数数据114存储在参数数据存储110中。在各种实施例中，参数包括每个 传感器组的阈值。训练模块102通过从信号数据118计算最小平均绝对误差 (MAE)来确定阈值，产生每个相应相关组的阈值θ平均(θmean)。例如，信号 数据118可以包括由车辆标识和行程标识所指示的多个行程。对于每个行程， 应用五个相关组，并计算估计信号。从接收信号中减去估计信号以获得阈值 或行程。如果信号数据118有N个行程，那么可以计算出N个阈值。所有 这N个阈值的平均值产生最终的θmean。
此后，训练模块102计算每个相关组的失败/误报率(FPR)。误报率计算 为错误归类为阳性的阴性事件数与实际阴性事件总数之间的比率。例如，当 特定传感器上没有(或很少)注入异常时，没有检测到异常，并且计算的FPR 很小。训练模块在参数数据存储110中存储计算出的FPR和阈值作为参数 数据114。
在各种实施例中，异常检测模块104以在线模式操作，并接收信号数据 120、组数据112和参数数据114。信号数据120是作为车辆运行的结果产生 的，并且可以在车辆10内的消息中或者在从其他车辆发送的消息中传送。 因此，在各种实施例中，可以针对车辆内的传感器或者针对其他车辆的传感 器来检测异常。
异常检测模块104基于由组数据112识别的组来评估信号数据120，以 确定其中一个信号中是否存在异常。例如，在各种实施例中，为所有五个相 关组计算MAE，并将其与由参数数据114指示的阈值θ进行比较。当计算 的MAE大于阈值θ时，传感器组被标记为异常。当计算的MAE小于阈值 θ时，传感器组被标记为非异常。在W个样本之后，样本由窗口大小为W 的滚动平均滤波器平滑，然后MAE被重新计算并再次与阈值进行比较以更 新标签(异常或非异常)。为了减少测量误差和提高性能，使用批量大小B进 行评估。例如，当最后B样本中只有0.1*B预测异常时，所有预测都被标记 为非异常。
在各种实施例中，源识别模块106接收异常检测数据122、参数数据114 和组数据112。当异常检测数据122指示发现异常时，源识别模块106处理 接收的数据以确定检测到的异常的源。例如，源识别模块106为每个传感器 组计算预测条件向量
Figure BDA0003057638870000101
的平均值。当
Figure BDA0003057638870000102
小于由参数数据114指示的训练 阈值(FPR)时，则传感器不是异常的。
示例：FPRmean＝0.11，PCp＝[0，0，1，0，0，0，0，0，0，0]，
Figure BDA0003057638870000103
继续。
当
Figure BDA0003057638870000111
大于训练阈值时，则传感器异常并且源检测数据124被更新以指 示在与传感器组相关的传感器处检测到异常。
在各种实施例中，源识别模块106通过相关组的自然迭代顺序来处理每 个传感器组。例如，源识别模块106使用三次深度优先搜索(DFS)遍历来 处理每个传感器组。
(1)位置→(2)速度→(3)加速度→(4)航向→(5)偏航率。
当异常源被确定时，遍历将结束。因此，只能检测到一个异常源。当因 为计算的FPR总是低于阈值而遍历整个树时，在任何传感器上都没有检测 到异常，并且源检测数据124被更新以指示没有检测到异常。
现在参考图5并且继续参考图1-4，流程图示出了根据本公开可以由图1- 3的异常检测系统100执行的方法200、400。根据本公开可以理解的是，本方 法中的操作顺序不限于如图5所示的执行顺序，而是可以根据本公开以一种或 多种不同的顺序来执行。在各种实施例中，方法200、400可以基于一个或多 个预定事件被调度运行，和/或可以在车辆10或远程运输系统52的操作期间连 续运行。
在各种实施例中，可以执行方法200来检测异常。在一个示例中，方法 200开始于205。在207处，基于信号数据120和例如针对每个相关组的上 述等式来估计这些值。在210处，从所有五个相关组中计算出MAE。然后 在220处，将MAE与由参数数据114指示的阈值θ进行比较。当在220处 计算的MAE大于阈值θ时，在230处传感器组被标记为异常，并且异常检测数据122被更新。当在220处计算的MAE小于阈值θ时，在240处传感 器组被标记为非异常。
在250处评估W个样本后，在260处用平滑的估计信号更新预测。此 后，在270处评估预测计数。如果在270处预测计数大于定义的批次大小B， 则在280处评估该批次。例如，在280处当最后一批样本中只有规定百分比 的预测是异常的，在290处该批次中的所有预测被标记为非异常。此后，该 方法在210处继续监控下一个样本。
在各种实施例中，一旦检测到异常，就可以执行方法400来检测异常的 来源。在一个示例中，方法400开始于405处。在410处确定检测到异常。 在420处，例如使用如上在420处所述的DFS方法来选择传感器组。在430 处为传感器组计算预测状态向量
Figure BDA0003057638870000121
的平均值，并在440进行评估。当
Figure BDA0003057638870000122
在 440处大于阈值时，传感器IS是异常的并且在460处更新源检测数据124以 指示异常。此后，该方法可以在470处结束。
在440处，当
Figure BDA0003057638870000123
小于阈值(FPR)时，在450处传感器不是异常的。该方 法在420处继续选择下一个传感器组。如果在420处已经处理了所有传感器 组并且没有发现异常的话，则该方法可以在470处结束。
虽然在前面的详细描述中已经给出了至少一个示例性实施例，但是应当 理解，存在大量的变化。还应当理解，一个或多个示例性实施例仅是示例， 并不旨在以任何方式限制本公开的范围、适用性或配置。相反，前面的详细 描述将为本领域技术人员提供实现一个或多个示例性实施例的便利路线图。 应当理解，在不脱离所附权利要求及其合法等同物中阐述的本公开的范围的 情况下，可以对元件的功能和布置进行各种改变。

Claims (10)

1.一种用于检测车辆的传感器的异常的方法，包括:
基于车辆动力学存储多个传感器相关组；
基于传感器相关组处理信号子集，以确定异常何时存在；
基于传感器相关组处理信号子集，以确定传感器相关组中的哪个传感器是异常的；和
基于传感器相关组中的异常的传感器生成通知数据。
2.根据权利要求1所述的方法，其中所述多个传感器相关组包括位置组、速度组、加速度组、航向组和偏航率组。
3.根据权利要求2所述的方法，其中所述多个传感器相关组中的每一个包括基于车辆动力学与所述组相关的一个或多个传感器。
4.根据权利要求3所述的方法，其中所述信号子集包括位置信号、速度信号、加速度信号、航向信号和偏航率信号。
5.根据权利要求1所述的方法，其中处理所述信号子集以确定异常何时存在包括基于所述多个相关组计算平均绝对误差(MAE)。
6.根据权利要求1所述的方法，其中处理所述信号子集以确定所述传感器相关组中的哪个传感器是异常的是基于深度优先搜索方法和所述多个传感器相关组。
7.根据权利要求1所述的方法，其中处理所述信号子集以确定所述传感器相关组中的哪个传感器是异常的是基于与所述多个相关组中的传感器相关组相关联的预测条件向量的计算平均值。
8.根据权利要求1所述的方法，还包括基于异常信号数据训练多个阈值，并且其中处理所述信号子集以确定所述传感器相关组中的哪个传感器异常是基于所述多个训练的阈值。
9.根据权利要求1所述的方法，还包括基于异常信号数据训练多个阈值，并且其中处理所述信号子集以确定所述传感器相关组的传感器何时异常是基于所述多个训练的阈值。
10.一种计算机实现的系统，该系统包括:
异常检测模块，其包括一个或多个处理器，所述处理器由编码在非暂时性计算机可读介质中的编程指令配置，所述异常检测模块被配置为:
基于车辆动力学存储多个传感器相关组；
基于传感器相关组处理信号子集，以确定异常何时存在；
基于传感器相关组处理信号子集，以确定传感器相关组中的哪个传感器是异常的；和
基于传感器相关组中的异常的传感器生成通知数据。
CN202110508186.1A 2020-11-30 2021-05-10 异常检测系统和方法 Pending CN114577252A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/107,274 2020-11-30
US17/107,274 US11625031B2 (en) 2020-11-30 2020-11-30 Anomaly detection systems and methods

Publications (1)

Publication Number Publication Date
CN114577252A true CN114577252A (zh) 2022-06-03

Family

ID=81585413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110508186.1A Pending CN114577252A (zh) 2020-11-30 2021-05-10 异常检测系统和方法

Country Status (3)

Country Link
US (1) US11625031B2 (zh)
CN (1) CN114577252A (zh)
DE (1) DE102021111557A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024119401A1 (zh) * 2022-12-07 2024-06-13 华为技术有限公司 异常检测的方法、装置和车辆

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007037298A1 (de) * 2007-08-07 2009-02-19 Continental Automotive Gmbh Verfahren und Anordnung zum Überprüfen eines Sensorsignals
CN105518432A (zh) * 2013-09-06 2016-04-20 国际商业机器公司 检测设备、检测方法以及程序
CN106066184A (zh) * 2015-04-24 2016-11-02 波音公司 用于检测交通工具系统故障的系统和方法
CN107300395A (zh) * 2016-04-13 2017-10-27 通用汽车环球科技运作有限责任公司 俯仰率传感器故障的检测和重建
CN107628036A (zh) * 2016-07-19 2018-01-26 通用汽车环球科技运作有限责任公司 传感器故障的检测和重建

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3221184B2 (ja) * 1993-10-13 2001-10-22 株式会社日立製作所 故障診断装置および方法
DE19748126A1 (de) * 1997-07-02 1999-01-07 Bosch Gmbh Robert Verfahren und Vorrichtung zur Überwachung von Sensoren in einem Fahrzeug
JP2009281263A (ja) * 2008-05-21 2009-12-03 Honda Motor Co Ltd 航空機用内燃機関の故障診断方法
US20220108569A1 (en) * 2020-10-06 2022-04-07 Ford Global Technologies, Llc Automated detection of vehicle data manipulation and mechanical failure

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007037298A1 (de) * 2007-08-07 2009-02-19 Continental Automotive Gmbh Verfahren und Anordnung zum Überprüfen eines Sensorsignals
CN105518432A (zh) * 2013-09-06 2016-04-20 国际商业机器公司 检测设备、检测方法以及程序
CN106066184A (zh) * 2015-04-24 2016-11-02 波音公司 用于检测交通工具系统故障的系统和方法
CN107300395A (zh) * 2016-04-13 2017-10-27 通用汽车环球科技运作有限责任公司 俯仰率传感器故障的检测和重建
CN107628036A (zh) * 2016-07-19 2018-01-26 通用汽车环球科技运作有限责任公司 传感器故障的检测和重建

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024119401A1 (zh) * 2022-12-07 2024-06-13 华为技术有限公司 异常检测的方法、装置和车辆

Also Published As

Publication number Publication date
US11625031B2 (en) 2023-04-11
DE102021111557A1 (de) 2022-06-02
US20220172010A1 (en) 2022-06-02

Similar Documents

Publication Publication Date Title
US10395144B2 (en) Deeply integrated fusion architecture for automated driving systems
CN112498349B (zh) 用于紧急车道改变的操纵计划
US10431082B2 (en) Systems and methods for emergency vehicle response in an autonomous vehicle
US10672206B2 (en) Systems, methods and apparatuses for diagnostic fault detection by parameter data using a redundant processor architecture
US20190072978A1 (en) Methods and systems for generating realtime map information
CN109085819B (zh) 用于实施自主车辆中的驾驶模式的系统和方法
CN110758399B (zh) 用于预测实体行为的系统和方法
CN111098862A (zh) 用于预测传感器信息的系统和方法
US10528057B2 (en) Systems and methods for radar localization in autonomous vehicles
CN110554691B (zh) 用于检测高架高速公路以防止接合巡航特征的系统、方法和装置
US20190026588A1 (en) Classification methods and systems
CN109872370B (zh) 使用激光雷达数据对摄像机系统进行检测和重新校准
US20180364728A1 (en) Systems and methods for vehicle cleaning
US10611369B2 (en) Systems and methods for collision detection in autonomous vehicles
US20180024239A1 (en) Systems and methods for radar localization in autonomous vehicles
CN112389454B (zh) 自动驾驶/主动安全车辆中的感知系统的错误隔离
US20200070822A1 (en) Systems and methods for predicting object behavior
CN110816547A (zh) 用于自主驾驶的实际感知系统的感知不确定性建模
US20210229681A1 (en) Realtime proactive object fusion for object tracking
CN114577252A (zh) 异常检测系统和方法
CN112537320B (zh) 一种用于确定车辆的悬架系统中的故障的方法及系统
US20220214181A1 (en) Systems and methods for translating navigational route into behavioral decision making in autonomous vehicles
US20240053166A1 (en) Methods and systems for generating lane line and road edge data using empiracal path distributions
US20220261627A1 (en) Driving monitoring and scoring systems and methods
US20220169243A1 (en) Reverse operation detection systems and methods

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination