AnoVox: A Benchmark for Multimodal Anomaly Detection in Autonomous Driving

自动驾驶汽车的扩展规模在很大程度上取决于它们处理异常情况的能力，例如道路上的罕见物体。为了处理这种情况，首先需要检测异常情况。自动驾驶的异常检测在过去几年取得了很大进展，但由于基准测试设计不良，过于关注相机数据，因此存在问题。在这项工作中，我们提出了AnoVox，迄今为止自动驾驶中最大的异常检测基准测试。AnoVox包含大规模的多模态传感器数据和空间VOXel地面真实性，允许比较使用不同传感器的方法。我们提出了正常性的正式定义，并提供了符合规定的训练数据集。AnoVox是第一个包含内容和时间异常的基准测试。

AnoVox是目前最大的自动驾驶异常检测基准，旨在解决自动驾驶中异常检测的问题。

AnoVox结合大规模多模态传感器数据和空间VOXel地面真实性，提供了正常性的正式定义，并提供了一个符合要求的训练数据集。

AnoVox是第一个同时包含内容和时间异常的基准。实验使用了大规模多模态传感器数据和空间VOXel地面真实性，以比较方法而不考虑其使用的传感器。

在最近的研究中，也有一些关于自动驾驶异常检测的相关研究，如：'End-to-end learning of driving models with surround-view cameras and route planners' 和 'Deep multi-modal anomaly detection for autonomous driving'。