自动驾驶车辆中的异常检测侧重于识别偏离正常运行的意外事件或数据模式。这一点至关重要，因为这些系统依赖传感器、软件和实时决策来安全运行。 通过标记异常，车辆可以触发故障保护、警告远程操作员或调整其行为以减轻风险。 例如，如果传感器突然报告不合理的值或组件表现不稳定，异常检测算法可以在这些问题导致不安全结果之前检测到它们。此过程通常涉及将实时数据与预定义的预期行为模型进行比较，或使用机器学习来学习随时间变化的正常模式。
一个关键应用是监控传感器数据中的错误。 自动驾驶车辆使用摄像头、激光雷达、雷达和超声波传感器来感知其环境。 如果摄像头被污垢遮挡或激光雷达传感器开始返回不一致的距离测量值，异常检测可以识别这些问题。 例如，激光雷达噪声水平的突然升高可能表明传感器退化或诸如大雨之类的环境干扰。 开发人员可以实施统计模型（例如，基于阈值的检查）或无监督学习技术（例如，自动编码器）来检测此类偏差。 这些系统还可以交叉验证传感器输入（例如，标记摄像头检测到清晰路径但雷达感应到障碍物的情况），以识别需要干预的冲突数据。
另一个关键领域是检测软件或行为异常。 自动驾驶堆栈包括感知、规划和控制模块。 如果规划模块生成的轨迹与安全驾驶模式（例如，没有障碍物的突然转向）急剧偏离，异常检测可以覆盖它。 例如，在历史驾驶数据上训练的递归神经网络 (RNN) 可能会标记不寻常的转向角或加速模式。 同样，监控车辆的内部状态（例如，CPU 使用率或内存泄漏的意外峰值）可以防止系统故障。 通过在多个层集成异常检测，开发人员可以创建增强安全性的冗余，确保车辆能够自动恢复或过渡到最小风险状态，例如安全地靠边停车。