面向车辆轨迹异常检测的表征学习

基于摘要分析。本文研究自动驾驶中周围车辆历史轨迹的异常检测：人为构造的小幅扰动可能误导自车的未来轨迹预测，进而影响规划安全。作者提出两种面向在线检测的表征学习方法，分别服务于有监督与无监督场景，主要研究对象是车辆轨迹，而非 EEG 或 BCI。 机制方面，作者指出，车辆轨迹异常检测不同于一般时间序列异常检测：道路上下文更丰富，而异常轨迹本身可供识别的模式更少。有监督方法基于对比学习，无监督方法基于具有语义潜空间的重建；整体思路是利用轨迹语义及驾驶场景中的规律学习异常检测表征。摘要未披露对比样本构造、语义定义、重建目标、异常评分及在线判定流程。 结果方面，作者报告，两种方法在各自的有监督和无监督设置下，相较多种基线显著改善了异常轨迹检测，并能检测未见过的异常模式。摘要未提供数据集、划分、指标、具体数值或统计检验，因而尚不能核对提升幅度、泛化边界及在线运行开销；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可探索的迁移假设是，EEG 异常检测也可能受益于上下文约束下的表征学习，而非仅依赖异常片段的局部形态。可复用的是对比学习与语义潜空间重建的思路，但车辆轨迹语义不能直接映射到 EEG，需重新定义任务阶段、通道关系等上下文，并明确标签与正常样本的可用条件。低信噪比、跨被试差异、通道变化及小数据可能使正常变异被误判为异常。一个可检验的小实验是在固定跨被试划分下，以同一 EEG 编码器比较普通重建与加入任务上下文约束的重建，检验异常检测收益及正常信号误报变化；这属于迁移假设，已有 EEG 相关工作尚未检索确认。