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在线异常检测，针对微小人为扰动可能误导未来轨迹预测的问题，分别提出基于对比学习的有监督方法，以及基于语义潜在空间重建的无监督方法。 研究的主要对象是车辆轨迹，而非 EEG 或 BCI。作者指出，与一般时间序列异常检测相比，该任务具有更丰富的道路上下文，但异常轨迹自身可观察到的模式较少。两种方法利用对比学习或轨迹语义学习驾驶场景中的表征；摘要未说明具体对比样本构造、语义定义、重建目标或在线检测阈值，不能据此推断网络结构与损失形式。 作者报告，在各自对应的有监督和无监督评估设置下，两种方法相较多种基线均改善了异常轨迹检测表现，并展示了对未见异常模式的泛化能力。摘要未提供数据集、划分方式、基线名称、指标或具体数值；实验协议、消融及统计信息尚未验证，在线部署的延迟与计算开销也需查阅全文。 平台推测（待验证）：其潜在迁移路径是利用上下文约束，识别单凭局部波形难以判别的 EEG 异常片段。原方法依赖车辆运动轨迹及驾驶场景语义；迁移时可考虑复用表征学习与重建思路，但需重新定义 EEG 的任务、通道或会话上下文，并核实监督标签需求。低信噪比、跨被试差异及小数据可能使模型把正常生理变化误判为异常。可检验的初步实验是在固定被试划分和相同训练数据下，比较带上下文约束与不带该约束的异常检测模型，并单独评估训练中未见的伪迹类型；这不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。