Discovering Antagonists in Networks of Systems: Robot Deployment

要約

文脈上の異常検出方法が提案され、カバレッジタスクを実行するロボット群れの物理的動きに適用されます。
群れの通常の動作のシミュレーションを使用して、環境の現在のコンテキスト内でロボットの動きの可能性を予測するように正規化されたフローが訓練されています。
適用中、観測された動きの予測可能性は、ロボットエージェントを通常または拮抗的であると分類する検出基準によって使用されます。
提案された方法は、拮抗行動の5つの異なる戦略で評価されます。
重要なことに、通常のロボット動作の容易に入手可能なシミュレーションデータのみがトレーニングに使用され、異常の性質を事前に知らないことです。
最良の検出基準は、通常のロボットエージェントでは5％未満の誤検知速度を維持しながら、各拮抗型の少なくとも80％を正しく分類します。
さらに、この方法はハードウェア実験で検証されており、シミュレートされたシナリオと同様の結果が得られます。
最先端のアプローチと比較して、正規化フローの予測パフォーマンスと検出基準の堅牢性の両方が増加します。

要約(オリジナル)

A contextual anomaly detection method is proposed and applied to the physical motions of a robot swarm executing a coverage task. Using simulations of a swarm’s normal behavior, a normalizing flow is trained to predict the likelihood of a robot motion within the current context of its environment. During application, the predicted likelihood of the observed motions is used by a detection criterion that categorizes a robot agent as normal or antagonistic. The proposed method is evaluated on five different strategies of antagonistic behavior. Importantly, only readily available simulated data of normal robot behavior is used for training such that the nature of the anomalies need not be known beforehand. The best detection criterion correctly categorizes at least 80% of each antagonistic type while maintaining a false positive rate of less than 5% for normal robot agents. Additionally, the method is validated in hardware experiments, yielding results similar to the simulated scenarios. Compared to the state-of-the-art approach, both the predictive performance of the normalizing flow and the robustness of the detection criterion are increased.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google