本論文では、GRADというリアルタイムの異常検知手法を導入しています。この手法は、自律走行車のセンサーから得られるデータの信頼性を確保するために、統計分析と深層学習を統合しています。GRADは、異常値検出のために平滑化係数としきい値を適応させる強化指数移動平均（REMA）と、短期および長期パターンを捉えるための多段スライディングウィンドウ（MS-SW）技術を組み合わせています。軽量のゲートリカレントユニット（GRU）モデルを用いて、異常を検出・分類し、回復モジュールが破損データを復元する仕組みです。GRADは、高い検出精度を保ちながらリアルタイムアプリケーションに適した軽量なアーキテクチャを持ち、異常データに対して97.6%、正常データに対して99.4%のF1スコアを達成しました。これにより、GRADは自律走行車システムにおける信頼性と効率的なリアルタイム異常検知のソリューションとしての可能性を示しています。