Eloss im Weg: Ein empfindliches Metrik für die Eingabedatenqualität bei intelligenten Fahrsystemen

Mit der zunehmenden Komplexität der Verkehrsumgebung nimmt die Bedeutung der Sicherheitswahrnehmung im intelligenten Fahren kontinuierlich zu. Herkömmliche Ansätze zur robusten Wahrnehmung im intelligenten Fahren konzentrieren sich darauf, Modelle mit abweichenden (anomalen) Daten zu trainieren, wodurch das tiefe neuronale Netzwerk selbst entscheiden soll, wie mit Anomalien umgegangen werden soll. Diese Modelle sind jedoch nicht in der Lage, sich nahtlos an die vielfältigen und komplexen Bedingungen der realen Welt anzupassen. In dieser Arbeit wird ein neuer Metriktyp namens Eloss vorgestellt sowie eine innovative Trainingsstrategie vorgeschlagen, die Wahrnehmungsmodelle hinsichtlich der Anomalieerkennung stärkt. Eloss basiert auf einer Erklärung der Informationskompressions-Schichten des Wahrnehmungsmodells. Konkret wird die Gestaltung eines Kommunikationssystems als Inspiration genutzt: Der Informationsübertragungsprozess in einem Informationskompressionsnetzwerk verfolgt zwei Erwartungen – die Menge der übertragenen Information soll stabil bleiben, während die Informationsentropie kontinuierlich abnimmt. Auf Basis dieser Erwartungen lässt sich Eloss ableiten, das die Aktualisierung der zugehörigen Netzwerkparameter leitet und gleichzeitig eine empfindliche Metrik zur Identifikation von Anomalien liefert, ohne die Modellleistung zu beeinträchtigen. Unsere Experimente zeigen, dass Eloss bei abweichenden Daten um einen Faktor von über 100 von ihrem Standardwert abweicht und unterschiedliche, aber ähnliche Arten von Anomalien klar unterscheidet, was die Wirksamkeit des vorgeschlagenen Ansatzes belegt. Der Quellcode ist verfügbar unter: (Code nach Akzeptanz des Papers verfügbar).