自动驾驶系统分类中的GRU、LSTM与Transformer编码器敏感性分析
随着自动驾驶系统（ADS）的普及，未来的软件定义汽车（SDV）可能同时运行多种ADS，包括原生和售后市场方案，如Comma.ai的Openpilot。独立验证当前激活的是哪套自动驾驶系统，对于安全监控、法规合规、保险评估和异常检测至关重要。近期，一篇提交至arXiv的论文（编号：2607.28665）深入探讨了基于车辆遥测数据识别不同Level 2自动驾驶系统的序列模型性能与鲁棒性。
该研究由Bidhya Shrestha和Christos Papadopoulos共同完成，评估了三种序列分类模型：门控循环单元（GRU）、长短期记忆网络（LSTM）和Transformer编码器，用于区分Comma Openpilot、Tesla Autopilot、Cadillac Super Cruise以及人工驾驶。在干净数据训练下，三者均表现出色，宏F1分数分别达到0.92（GRU）、0.90（LSTM）和0.93（Transformer）。采用威胁匹配训练后，宏F1分数保持在0.904-0.916，仅对干净数据性能产生轻微影响。
为了全面评估模型的鲁棒性，作者提出了一个模块化评估框架，模拟五种真实世界遥测数据退化类型，每种包含五个严重级别（L1-L5）。连续通道受到加性高斯白噪声、累积漂移、相关跨通道噪声和时间抖动的影响；二进制事件信号则经历突发丢失、延迟转换、虚假切换和跨特征不一致等通信错误。评估采用宏F1指标，该指标对不平衡多类别分类尤为适用。
结果揭示了显著的失效模式差异：事件级损坏在最高严重级别（L5）下仅使宏F1轻微下降至0.87以上，而时间抖动则导致模型性能大幅崩溃，宏F1降至0.44-0.50，且三种模型均受影响。这一发现凸显了时间序列模型对时间偏移的敏感性，为自动驾驶系统监控的实际部署提供了重要参考。该论文已被Milcom 2026审阅，共7页，包含6张图表。
