Core Concepts
自動運転車における異常検知のための人工知能アルゴリズムの使用、異常検知モデルの学習方法、および異常検知モデルの評価方法について包括的に分析した。
Abstract
この体系的レビューは、自動運転車(CAV)における異常検知に焦点を当てている。初期のデータベース検索では2160本の論文が見つかり、厳格なスクリーニングと評価の後に203本の論文が含まれた。この研究では、異常検知に最も一般的に使用されるAIアルゴリズムは、LSTMやCNN、オートエンコーダ、one-class SVMなどのニューラルネットワークであることが明らかになった。ほとんどの異常検知モデルは、実際の車両運転データを使って学習されていたが、攻撃やエラーなどの異常はデータセットに人工的に注入されていた。これらのモデルは主に再現率、正確度、精度、F1スコア、偽陽性率の5つの評価指標を使って評価された。異常検知モデルの評価に最も頻繁に使用された指標の組み合わせは、正確度、精度、再現率、F1スコアであった。
このレビューでは以下のいくつかの提言がなされている。
異常検知モデルの包括的な評価のために、複数の評価指標を組み合わせる必要がある。
研究コミュニティ内での協力、検証、比較を促進するため、モデルを公開しているものは少数にとどまっている。
定義された異常や サイバー攻撃を含むベンチマークデータセットが必要である。
実際の道路での性能を評価するため、車両への異常検知の導入に関する将来の研究が必要である。
CAN以外のプロトコル(Ethernet、FlexRayなど)を使ったIDS研究が不足している。
Stats
異常検知モデルの検知遅延は0.06 msから6,000 msの範囲にあった。
最も短い検知遅延0.06 msを実現したのは、Car-Hacking Datasetを使ったLSTMモデルであった。
Quotes
「異常検知は自動運転車の安全性と保安を維持する上で重要な役割を果たす」
「AIアルゴリズムは、膨大なデータを効率的に処理し、異常を示す特徴パターンを検出する能力を持つ」
「シミュレーションデータと実世界データを組み合わせることで、より多様な異常シナリオを網羅できる」