自動運転技術の急速な普及に伴い、将来のソフトウェア定義車両（SDV）は複数の自動運転システム（ADS）を搭載する可能性があります。Comma.aiのOpenPilotなどの純正システムと後付けシステムが混在する環境では、どのシステムが作動しているかを独立して検証する監視システムが、安全性の確保、規制遵守、保険評価、異常検知の観点から重要になります。 本論文では、車両テレメトリデータのみを使用してレベル2の自動運転システムを識別するために、GRU（ゲート付き回帰ユニット）、LSTM（長短期記憶）ネットワーク、トランスフォーマーエンコーダモデルという3つのシーケンスベースの分類モデルの有効性を評価しています。Comma Openpilot、Tesla Autopilot、Cadillac Super Cruise、および手動運転を対象として、クリーンなデータ条件下ではマクロF1スコアがそれぞれ0.92、0.90、0.93を達成しており、全て高い性能を示しています。 さらに重要な点として、論文は現実的なテレメトリ劣化をシミュレートするモジュール型ロバストネス評価フレームワークを提案しています。このフレームワークでは、5段階の深刻度レベル（L1～L5）にわたる5つの破損パターンをテストしており、連続チャネルに加法性ガウスノイズやドリフト、相関クロスチャネルノイズ、時間的ジッターを付与し、バイナリイベント信号にはバースト損失や遅延、スプリアストグル、クロスフィーチャー不整合などの通信エラーを模擬しています。 ロバストネス評価の結果は興味深い二分化を明らかにしました。イベントレベルの破損はマクロF1をわずかな低下に留めている（L5で0.87以上）一方で、時間的ジッターはGRU、LSTM、トランスフォーマーエンコーダ全てにおいてマクロF1を0.44～0.50に低下させるという深刻な障害をもたらします。この知見は、自動運転システムの監視における時間同期の重要性を示唆しており、実装時に考慮すべき課題を提起しています。