GRU、LSTM和Transformer Encoder在自动驾驶系统分类中的敏感性分析

arXiv:2607.28665v1 公告类型：新 摘要：自动驾驶系统（ADS）正变得无处不在。未来的软件定义车辆 (SDV) 可能能够运行多个 ADS，包括本地和售后市场，例如 Comma.ai 的 Openpilot。独立验证哪个自动驾驶系统处于活动状态的监控系统对于安全监控、法规遵从、保险评估和异常检测非常重要。在本文中，我们首先评估了三种基于序列的分类模型的有效性：门控循环单元（GRU）、长短期记忆（LSTM）网络和 Transformer 编码器模型，用于仅使用车辆远程信息处理数据识别 2 级自动驾驶系统：Comma Openpilot、Tesla Autopilot 和 Cadillac Super Cruise 以及手动驾驶。在干净数据上进行训练时，所有三个模型都实现了强大的干净数据性能，宏观 F1 分数分别为 0.92 (GRU)、0.90 (LSTM) 和 0.93（Transformer 编码器模型）；威胁匹配训练产生 0.904-0.916 宏 F1，只有适度的干净数据惩罚。其次，我们引入了一个模块化的鲁棒性评估框架，该框架通过五个严重级别（L1-L5）的五个腐败家族来模拟现实的远程信息处理退化。使用具有累积漂移、相关跨通道噪声和时间抖动的加性高斯白噪声来扰动连续通道。二进制事件信号会遭受突发丢失、延迟转换、虚假切换和由通信错误引起的跨特征不一致的影响。鲁棒性使用宏F1来衡量，它为每个类别赋予相同的权重，适合不平衡的多类别评估。我们的评估揭示了故障模式的急剧分裂：事件级损坏仅略微降低了宏 F1（在 L5 处大于等于 0.87），而时间抖动将 GRU、LSTM 和 Transformer 编码器模型中的宏 F1 压缩为 0.44-0.50。