A Real-time Anomaly Detection Method for Robots based on a Flexible and Sparse Latent Space

要約

多様な環境でロボットが効果的に動作するための需要の高まりは、ロボット操作中にロボットリアルタイムの異常検出技術の必要性を必要とします。
ただし、ロボット工学の深い学習ベースのモデルは、トレーニングデータが限られているため、非常に騒々しい信号機能により、重大な課題に直面しています。
このホワイトペーパーでは、これらの問題に対処するために、まばらなマスクされた自己回帰フローベースの敵対的自動エンコーダーモデルを提示します。
このアプローチは、マスクされたオートレーリングフローモデルを敵対的な自動エンコーダーに統合して、柔軟な潜在スペースを構築し、まばらな自動エンコーダーを利用して、限られた機能空間を持つシナリオであっても、重要な機能に効率的に焦点を合わせます。
私たちの実験は、提案されたモデルが、既存の最先端の方法と比較して、ランダムに配置された缶を使用したピックアンドプレイスロボット操作のレシーバー動作特性曲線の下で4.96％から9.75％高い面積を達成することを示しています。
特に、軽量オブジェクトとの衝突を含むシナリオでは、最大19.67％のパフォーマンスが見られました。
さらに、既存の最先端モデルとは異なり、モデルは1ミリ秒以内に推論を実行し、リアルタイムの異常検出を確保します。
これらの機能により、モデルは動的環境で機械学習ベースのロボット安全システムに非常に適用できます。
コードは、受け入れ後に公開されます。

要約(オリジナル)

The growing demand for robots to operate effectively in diverse environments necessitates the need for robust real-time anomaly detection techniques during robotic operations. However, deep learning-based models in robotics face significant challenges due to limited training data and highly noisy signal features. In this paper, we present Sparse Masked Autoregressive Flow-based Adversarial AutoEncoders model to address these problems. This approach integrates Masked Autoregressive Flow model into Adversarial AutoEncoders to construct a flexible latent space and utilize Sparse autoencoder to efficiently focus on important features, even in scenarios with limited feature space. Our experiments demonstrate that the proposed model achieves a 4.96% to 9.75% higher area under the receiver operating characteristic curve for pick-and-place robotic operations with randomly placed cans, compared to existing state-of-the-art methods. Notably, it showed up to 19.67% better performance in scenarios involving collisions with lightweight objects. Additionally, unlike the existing state-of-the-art model, our model performs inferences within 1 millisecond, ensuring real-time anomaly detection. These capabilities make our model highly applicable to machine learning-based robotic safety systems in dynamic environments. The code will be made publicly available after acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google