The voraus-AD Dataset for Anomaly Detection in Robot Applications

要約

産業用ロボットの稼働中に、異常な出来事が人間の安全と生産の品質を危険にさらす可能性があります。
このようなケースを検出するためにデータを収集する場合、時間の経過とともに予期せぬイベントが発生する可能性があるため、発生する可能性のあるすべてのエラーのデータが含まれているとは限りません。
したがって、異常検出 (AD) は、通常のデータのみを使用して異常なイベントの検出を学習する実用的なソリューションを提供します。
研究コミュニティに公開されるマシンデータに基づいたロボットアプリケーションの異常検出方法のトレーニングとベンチマークを可能にするデータセットを紹介します。
典型的なロボット タスクとして、データセットには、移動、エンド エフェクターのアクション、および環境のオブジェクトとの相互作用を含むピック アンド プレイス アプリケーションが含まれています。
含まれる異常のいくつかはタスク固有のものではなく一般的なものであるため、データセットの評価は他のロボット工学アプリケーションにも転送可能です。
さらに、異常検出の新しいベースライン手法として MVT-Flow (多変量時系列フロー) を紹介します。これは、フローの正規化を伴う深層学習ベースの密度推定に依存しており、データ ドメインの構造を考慮してデータ ドメインに合わせて調整されています。
建築。
私たちの評価では、MVT-Flow が ROC 下の領域で 6.2% という大幅なマージンで以前の研究のベースラインを上回っていることが示されています。

要約(オリジナル)

During the operation of industrial robots, unusual events may endanger the safety of humans and the quality of production. When collecting data to detect such cases, it is not ensured that data from all potentially occurring errors is included as unforeseeable events may happen over time. Therefore, anomaly detection (AD) delivers a practical solution, using only normal data to learn to detect unusual events. We introduce a dataset that allows training and benchmarking of anomaly detection methods for robotic applications based on machine data which will be made publicly available to the research community. As a typical robot task the dataset includes a pick-and-place application which involves movement, actions of the end effector and interactions with the objects of the environment. Since several of the contained anomalies are not task-specific but general, evaluations on our dataset are transferable to other robotics applications as well. Additionally, we present MVT-Flow (multivariate time-series flow) as a new baseline method for anomaly detection: It relies on deep-learning-based density estimation with normalizing flows, tailored to the data domain by taking its structure into account for the architecture. Our evaluation shows that MVT-Flow outperforms baselines from previous work by a large margin of 6.2% in area under ROC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google