Детекция аномалий для комплексирования данных лидарной и спутниковой локализации транспортного средства

Автор: Ладанова С.В., Юдин Д.А.

Журнал: Труды Московского физико-технического института @trudy-mipt

Статья в выпуске: 3 (59) т.15, 2023 года.

Бесплатный доступ

Иногда при локализации транспортного средства возникают случаи, когда один из источников дает недостоверные данные из-за возникающих непредвиденных условий. Например, при заезде в гараж система глобальной спутниковой навигации может перестать формировать достоверные данные, при выезде за пределы имеющейся трехмерной карты местности прекращается получение достоверной лидарной локализации, в ночные промежутки времени затрудняется локализация с помощью данных бортовых камер. Во всех этих случаях может помочь комплексирование нескольких источников данных локализации с детекцией аномалий. Под локализацией понимается определение положения транспортного средства и углов его ориентации в трехмерном пространстве. В данной статье представлен разработанный метод комплексирования данных лидарной и спутниковой навигации AnKF, основанный на расширенном фильтре Калмана и алгоритмах детекции аномалий. Особое внимание в статье уделено исследованию классических и нейросетевых подходов обнаружения аномалий в многомерных временных рядах бортовых систем локализации беспилотного автомобиля. Для количественной оценки результатов создан размеченный набор данных на основе симулятора беспилотного транспорта CARLA. В работе показано, что выявление аномалий в данных навигационных систем позволяет значительно повысить качество локализации беспилотного автомобиля.

Еще

Детекция аномалий, локализация, комплексирование, лидарные данные, данные систем спутниковой навигации, транспортное средство

Короткий адрес: https://sciup.org/142239993

IDR: 142239993

Список литературы Детекция аномалий для комплексирования данных лидарной и спутниковой локализации транспортного средства

Wen J., Tang J., Liu H., Qian C., Fan X. Real-Time Scan-to-Map Matching Localization System Based on Lightweight Pre-Built Occupancy High-Definition Map // Remote Sensing. 2023. V. 15, N 3. P. 595.
Kim Y., Jeong J., Kim A. Stereo camera localization in 3D lidar maps // 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2018. P. 1–9.
Kim Y., Bang H. Introduction to Kalman filter and its applications // Introduction and Implementations of the Kalman Filter. 2018. V. 1. P. 1–16.
Hao Y., Xu A., Sui X., Wang Y. A modified extended Kalman filter for a two-antenna GPS/INS vehicular navigation system // Sensors. 2018. V. 18(11). P. 3809.
Wan E.A., Van Der Merwe R. The unscented Kalman filter // Kalman filtering and neural networks. Wiley Online Library, 2001. P. 221–280.
Wang M., Wu W., Zhou P., He X. State transformation extended Kalman filter for GPS/SINS tightly coupled integration // Gps Solutions. 2018. V. 22. P. 1–12.
Li Z., Zhang Y. Constrained ESKF for UAV positioning in indoor corridor environment based on IMU and WiFi // Sensors. 2022. V. 22, N 1. P. 391.
Weck M., Ye G. Sharp corner tracking using the IKF control strategy // CIRP Annals. 1990. V. 39, N 1. P. 437–441.
Haykin S., Arasaratnam I. Cubature kalman filters // IEEE Trans. Autom. Control. 2009. V. 54, N 6. P. 1254–1269.
Wei X., Wei Zh., Radu V. Sensor-fusion for smartphone location tracking using hybrid multimodal deep neural networks // Sensors. 2021. V. 21, N 22. P. 7488. DOI: 10.3390/s21227488.
Nanduri A., Sherry L. Anomaly detection in aircraft data using Recurrent Neural Networks (RNN) // Integrated Communications Navigation and Surveillance (ICNS). 2016. P. 5C2–1.
Smagulova K., James A.P. A survey on LSTM memristive neural network architectures and applications // The European Physical Journal Special Topics. 2019. V. 228, N 10. P. 2313–2324.
Van Wyk F., Wang Y., Khojandi A., Masoud N. Real-time sensor anomaly detection and identification in automated vehicles // IEEE Transactions on Intelligent Transportation Systems. 2019. V. 21, N 3. P. 1264–1276.
Shen C., Zhang Y., Guo X., Chen X., Cao H., Tang J., Li J., Liu J. Seamless GPS/inertial navigation system based on self-learning square-root cubature Kalman filter // IEEE Transactions on Industrial Electronics. 2020. V. 68, N 1. P. 499–508.
Abdrazakov L., Yudin D. Neural Network Adaptation of the Kalman Filter for Odometry Fusion // Proceedings of the Fifth International Scientific Conference «Intelligent Information Technologies for Industry» (IITI’21). 2022. P. 44–54.
Shavin M.J. Numerical Nonlinear Filtering Methods for Estimating the State of a Quadcopter with Rotary Rotors // Proceedings of the Moscow Institute of Physics and Technology. 2019. V. 11, N 3(43). P. 86–95.
Kriegel H.P., Schubert M., Zimek A. Angle-based outlier detection in high-dimensional data // Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2008. P. 444–452.
Rauch J., Olatunji I.E., Khosla M. Achieving differential privacy for k-nearest neighbors based outlier detection by data partitioning // arXiv preprint arXiv:2104.07938. 2021.
Alghushairy O., Alsini R., Soule T., Ma X. A review of local outlier factor algorithms for outlier detection in big data streams // Big Data and Cognitive Computing. 2020. V. 5, N 1. P. 1.
Paulauskas N., Baskys A. Application of histogram-based outlier scores to detect computer network anomalies // Electronics. 2019. V. 8, N 11. P. 1251.
Liu F.T., Ting K.M., Zhou Z.H. Isolation forest // 2008 eighth IEEE international conference on data mining. 2008. P. 413–422.
Mohammadi M., Sarmad M. Outlier detection for support vector machine using minimum covariance determinant estimator // Journal of AI and Data Mining, 2019. V. 7, N 2. P. 299–309. Shahrood University of Technology.
Sch¨olkopf B., Platt J.C., Shawe-Taylor J., Smola A.J., Williamson R.C. Estimating the support of a high-dimensional distribution // Neural Computation. 2001. V. 13, N 7. P. 1443–1471.
Shyu M.L., Chen S.C., Sarinnapakorn K., Chang L. A novel anomaly detection scheme based on principal component classifier. Tech. Report, Miami Univ Coral Gables Fl Dept of Electrical and Computer Engineering, 2003.
Li Y., Wang Y., Ma X. Variational autoencoder-based outlier detection for high-dimensional data // Intelligent Data Analysis. 2019. V. 23, N 5. P. 991–1002.
Herzen J., Lassig F., Piazzetta S.G., Neuer T., Tafti L., Raille G., Van Pottelbergh T., Pasieka M., Skrodzki A., Huguenin N., Dumonal M., Koscisz J., Bader D., Gusset F., Benheddi M., Williamson C., Kosinski M., Petrik M. Darts: User-Friendly Modern Machine Learning for Time Series // Journal of Machine Learning Research. 2022. V. 23, N 124. P. 1–6. [Online]. Available: http://jmlr.org/papers/v23/21-1177.html
Lazarevic A., Kumar V. Feature bagging for outlier detection // Proceedings of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining. 2005. P. 157–166.
Biber P., Straber W. The normal distributions transform: A new approach to laser scan matching // Proceedings 2003 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2003). 2003. V. 3. P. 2743–2748.
Kato S., Tokunaga S., Maruyama Y., Maeda S., Hirabayashi M., Kitsukawa Y., Monrroy A., Ando T., Fujii Y., Azumi T. Autoware on board: Enabling autonomous vehicles with embedded systems // 2018 ACM/IEEE 9th International Conference on Cyber-Physical Systems (ICCPS). 2018. P. 287–296.
Dosovitskiy A., Ros G., Codevilla F., Lopez A., Koltun V. CARLA: An Open Urban Driving Simulator // Proceedings of the 1st Annual Conference on Robot Learning. 2017. P. 1–16.
Lu F., Milios E. Globally consistent range scan alignment for environment mapping // Autonomous Robots. 1997. V. 4. P. 333–349.

Еще

Статья научная