LOBSTR - Learning On-Board Signals for Timely Reaction

Viktiga resultat som projektet gav

Det övergripande frågan som projektet LOBSTR försöker besvara är om det är möjligt att tillämpa anomalidetektionsmetoder på temporala multivariata signaler för feldetektering på fordonets styrenhet. Projektets mål var att bidra med ny kunskap i följande: - anpassning av existerade anomalidetektionsmetoder så de fungerar väl i distribuerade system (IoT) med inlärning - evaluera och jämföra prestanda mellan olika anomalidetektionsmetoder för IoT system

Långsiktiga effekter som förväntas

Projektresultaten var väldig positiva. De stora målen som sattes åstadkoms. Två distribuerade modeller togs fram, där båda kan upptäcka anomalier av körningar med olika injicerade fel som förväntat. De distribuerade modellerna gav snarlika resultat för ett fordon och när man delade datat till olika antal fordon. Modellerna hade några falsk positiva utfall, så det finns en hel del förbättringsmöjligheter. Projektet var så framgångsrikt och det finns mycket mer att utreda att det redan finns planer att fortsätta forska och utveckla inom detta område.

Upplägg och genomförande

Flera metoder undersöktes där vi gick vidare med två styckna - komprimeringsbaserad anomalidetektion med LSTM autoencoder och mixture-baserad anomalidetektion. Metoderna utvärderades på insamlad data från körningar på fordon där medvetna fel var injicerade. Den mixture-baserade metoden implementerades på befintlig fordonshårdvara med kommunikation via molnet. Den lyssnar på CAN trafiken för att upptäcka anomalier realtid.