Unsupervised Anomaly Detection for Autonomous Robots via Mahalanobis SVDD with Audio-IMU Fusion

要約

信頼できる異常検出は、特に視力またはLIDARに基づいた従来の検出システムが有害または予測不可能な条件で信頼できない場合に、自律的なロボットの安全性を確保するために不可欠です。
このようなシナリオでは、タイムリーで堅牢なフィードバックを提供するために、代替センシングモダリティが必要です。
この目的のために、衝突や内部機械的断層など、自律モバイルロボットの基礎となる異常を検出するために、オーディオおよび慣性測定ユニット（IMU）センサーの使用を調査します。
さらに、限られた標識異常データの課題に対処するために、マハラノビスサポートベクターデータ説明（M-SVDD）に基づいて、監視されていない異常検出フレームワークを提案します。
ユークリッド距離に依存し、等方性特徴分布を想定する従来のSVDDメソッドとは対照的に、私たちのアプローチはマハラノビス距離を使用して、特徴的な寸法を拡大し、特性間の相関をキャプチャし、より表現力のある決定境界を可能にします。
さらに、機能の多様性を維持し、表現の崩壊を防ぐために、再構築ベースの補助ブランチが導入され、異常検出の堅牢性がさらに強化されます。
ビデオhttps://youtu.be/yh1tn6ddd4aに示すように、収集されたモバイルロボットデータセットと4つのパブリックデータセットでの広範な実験は、提案された方法の有効性を示しています。
コードとデータセットはhttps://github.com/jamesyang7/m-svddで入手できます。

要約(オリジナル)

Reliable anomaly detection is essential for ensuring the safety of autonomous robots, particularly when conventional detection systems based on vision or LiDAR become unreliable in adverse or unpredictable conditions. In such scenarios, alternative sensing modalities are needed to provide timely and robust feedback. To this end, we explore the use of audio and inertial measurement unit (IMU) sensors to detect underlying anomalies in autonomous mobile robots, such as collisions and internal mechanical faults. Furthermore, to address the challenge of limited labeled anomaly data, we propose an unsupervised anomaly detection framework based on Mahalanobis Support Vector Data Description (M-SVDD). In contrast to conventional SVDD methods that rely on Euclidean distance and assume isotropic feature distributions, our approach employs the Mahalanobis distance to adaptively scale feature dimensions and capture inter-feature correlations, enabling more expressive decision boundaries. In addition, a reconstruction-based auxiliary branch is introduced to preserve feature diversity and prevent representation collapse, further enhancing the robustness of anomaly detection. Extensive experiments on a collected mobile robot dataset and four public datasets demonstrate the effectiveness of the proposed method, as shown in the video https://youtu.be/yh1tn6DDD4A. Code and dataset are available at https://github.com/jamesyang7/M-SVDD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google