論文の概要: The voraus-AD Dataset for Anomaly Detection in Robot Applications

• arxiv url: http://arxiv.org/abs/2311.04765v1
• Date: Wed, 8 Nov 2023 15:39:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 15:22:38.037018
• Title: The voraus-AD Dataset for Anomaly Detection in Robot Applications
• Title（参考訳）: ロボットにおける異常検出のためのVoraus-ADデータセット
• Authors: Jan Thie{\ss} Brockmann, Marco Rudolph, Bodo Rosenhahn, Bastian Wandt
• Abstract要約: 異常検出(AD)は、異常な事象を検出するために通常のデータのみを使用して、実用的な解決策を提供する。 本稿では,ロボットアプリケーションのための異常検出手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提案する。 異常検出のための新しいベースライン法としてMVT-Flowを提案する。
• 参考スコア（独自算出の注目度）: 24.583911041699086
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 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.
• Abstract（参考訳）: 産業用ロボットの運用中、異常な出来事は人間の安全と生産の質を脅かす可能性がある。 このようなケースを検出するためにデータを集める場合、予測不能なイベントが発生する可能性があるため、起こりうるすべてのエラーからのデータが含まれていることが保証されない。 したがって、異常検出(ad)は、通常データのみを使用して異常な事象を検出するための実用的なソリューションを提供する。 研究コミュニティが公開するマシンデータに基づくロボットアプリケーションの異常検出手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導入する。 一般的なロボットタスクとして、データセットには、動き、エンドエフェクタのアクション、環境のオブジェクトとのインタラクションを含むピック・アンド・プレースアプリケーションが含まれている。 いくつかの異常はタスク固有のものではなく、一般的なものであるので、我々のデータセットの評価は他のロボティクスアプリケーションにも転送可能である。 さらに, MVT-Flow (multivariate time-series flow) を異常検出のための新しいベースライン手法として提案する。 評価の結果, MVT-Flow は, ROC 下の領域では6.2% の差で, 従来の作業のベースラインよりも優れていた。

関連論文リスト

• DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
  我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。 DBSCANと学習ベースの異常検出を組み合わせる。 大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
  論文  参考訳（メタデータ） (2024-05-13T13:47:15Z)
• Self-supervised Learning for Anomaly Detection in Computational Workflows [10.39119516144685]
  我々は、ラベルのないワークフローデータから要約統計を学習する自動エンコーダ駆動型自己教師学習(SSL)アプローチを導入する。 提案手法では,合成学習目標とコントラスト学習目標を組み合わせて,要約統計における外れ値を検出する。 潜在空間における正常な挙動の分布を推定することにより、我々のベンチマークデータセットにおける最先端の異常検出方法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-02T14:31:56Z)
• WePaMaDM-Outlier Detection: Weighted Outlier Detection using Pattern Approaches for Mass Data Mining [0.6754597324022876]
  外乱検出は、システム障害、不正行為、およびデータ内のパターンに関する重要な情報を明らかにすることができる。 本稿では、異なる質量データマイニング領域を持つWePaMaDM-Outlier Detectionを提案する。 また, 監視, 故障検出, 傾向解析において, 異常検出技術におけるデータモデリングの重要性についても検討した。
  論文  参考訳（メタデータ） (2023-06-09T07:00:00Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Sensing Anomalies as Potential Hazards: Datasets and Benchmarks [43.55994393060723]
  本稿では,自律移動ロボットの視覚知覚データストリームにおいて,特異な意味パターンを検出することの問題点について考察する。 ロボット探索のシナリオで得られた3つの新しい画像ベースデータセットをコントリビュートする。 本研究では,異なるスケールで動作するオートエンコーダに基づく異常検出手法の性能について検討する。
  論文  参考訳（メタデータ） (2021-10-27T18:47:06Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Detecting Faults during Automatic Screwdriving: A Dataset and Use Case of Anomaly Detection for Automatic Screwdriving [80.6725125503521]
  障害検出に機械学習(ML)を使用したデータ駆動型アプローチが最近注目されている。 本稿では,自動スクリュー運転時の故障検出にMLモデルを用いた場合について述べる。
  論文  参考訳（メタデータ） (2021-07-05T11:46:00Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
  本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。 その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。 このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
  論文  参考訳（メタデータ） (2021-02-02T09:59:23Z)
• Out-Of-Bag Anomaly Detection [0.9449650062296822]
  データ異常は、実世界のデータセットでユビキタスであり、機械学習(ML)システムに悪影響を及ぼす可能性がある。 本稿では,新しいモデルに基づく異常検出手法を提案し,その手法をアウト・オブ・バグ検出と呼ぶ。 本手法は,家庭評価のケーススタディを通じて,データ前処理のステップとして,MLシステムの精度と信頼性を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-09-20T06:01:52Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。