論文の概要: Out of Distribution Detection in Self-adaptive Robots with AI-powered Digital Twins
- arxiv url: http://arxiv.org/abs/2509.12982v1
- Date: Tue, 16 Sep 2025 11:43:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:53.062718
- Title: Out of Distribution Detection in Self-adaptive Robots with AI-powered Digital Twins
- Title（参考訳）: AIを用いたディジタル双生児による自己適応型ロボットの配電検出
- Authors: Erblin Isaku, Hassan Sartaj, Shaukat Ali, Beatriz Sanguino, Tongtong Wang, Guoyuan Li, Houxiang Zhang, Thomas Peyrucain,
- Abstract要約: 自己適応型ロボット(SAR)におけるOOD検出のためのディジタルツインベースアプローチを提案する。
ODiSARはトランスフォーマーベースのデジタルツインを使用してSAR状態を予測する。
その結果、ODiSARは、AUROCが98%、TNR@TPR95が96%、F1スコアが95%で高い検出性能を示し、自己適応をサポートするための解釈可能な洞察を提供することができた。
- 参考スコア（独自算出の注目度）: 9.669021722603958
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-adaptive robots (SARs) in complex, uncertain environments must proactively detect and address abnormal behaviors, including out-of-distribution (OOD) cases. To this end, digital twins offer a valuable solution for OOD detection. Thus, we present a digital twin-based approach for OOD detection (ODiSAR) in SARs. ODiSAR uses a Transformer-based digital twin to forecast SAR states and employs reconstruction error and Monte Carlo dropout for uncertainty quantification. By combining reconstruction error with predictive variance, the digital twin effectively detects OOD behaviors, even in previously unseen conditions. The digital twin also includes an explainability layer that links potential OOD to specific SAR states, offering insights for self-adaptation. We evaluated ODiSAR by creating digital twins of two industrial robots: one navigating an office environment, and another performing maritime ship navigation. In both cases, ODiSAR forecasts SAR behaviors (i.e., robot trajectories and vessel motion) and proactively detects OOD events. Our results showed that ODiSAR achieved high detection performance -- up to 98\% AUROC, 96\% TNR@TPR95, and 95\% F1-score -- while providing interpretable insights to support self-adaptation.
- Abstract（参考訳）: 複雑で不確実な環境での自己適応型ロボット(SAR)は、アウト・オブ・ディストリビューション(OOD)ケースを含む異常な振る舞いを積極的に検出し、対処する必要がある。
この目的のために、デジタルツインはOOD検出に有用なソリューションを提供する。
そこで本研究では,SARにおけるOOD検出(ODiSAR)のディジタルツインベースアプローチを提案する。
ODiSARはトランスフォーマーベースのデジタルツインを使用してSAR状態を予測する。
再現誤差と予測分散を組み合わせることにより、ディジタルツインは、これまで見えなかった状況であっても、OODの挙動を効果的に検出する。
デジタルツインには、潜在的なOODを特定のSAR状態にリンクする説明可能性レイヤが含まれており、自己適応のための洞察を提供する。
我々は,ODiSARを2つの産業用ロボットのデジタルツインを作成することにより評価した。
どちらの場合も、ODiSARはSARの挙動(ロボット軌道と血管の動き)を予測し、OODイベントを積極的に検出する。
その結果,ODiSARは高い検出性能,最大98%のAUROC,96%のTNR@TPR95,95%のF1スコアを実現し,自己適応を支援するための解釈可能な洞察を提供することができた。
関連論文リスト
- Digital Twin-based Out-of-Distribution Detection in Autonomous Vessels [3.229371159969159]
自律型容器 (AV) は、多くの重要な機能を実現するソフトウェアを備えた複雑なサイバー物理システム(CPS)である。
このようなAVのディジタルツインは、What-ifシナリオの実行、予測メンテナンスの実行、障害診断などの高度な機能を可能にする。
本稿では,AVの今後のアウト・オブ・ディストリビューション(OOD)状態を検出するために,新しいディジタルツインベースアプローチ(ODDIT)を提案する。
論文 参考訳（メタデータ） (2025-04-28T14:12:46Z) - STOOD-X methodology: using statistical nonparametric test for OOD Detection Large-Scale datasets enhanced with explainability [9.658282892513386]
アウト・オブ・ディストリビューション(OOD)検出は、特にモデル障害が深刻な結果をもたらすような、安全性に敏感なアプリケーションにおいて、マシンラーニングにおいて重要なタスクである。
STOOD-Xは,OOD検出のための統計的非パラメトリックテストとeXplainabilityの強化を組み合わせた2段階の手法である。
最初の段階では、STOOD-Xは特徴空間距離とWilcoxon-Mann-Whitneyテストを使用して、特定の特徴分布を仮定せずにOODサンプルを同定する。
第2段階では、BLUEと整合して、各決定を駆動する特徴を明らかにする、ユーザフレンドリーなコンセプトベースの視覚的説明を生成する。
論文 参考訳（メタデータ） (2025-04-03T15:26:03Z) - Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。
近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。
本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。
実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
論文 参考訳（メタデータ） (2024-09-05T02:58:13Z) - Digital twin with automatic disturbance detection for real-time optimization of a semi-autogenous grinding (SAG) mill [0.32985979395737786]
デジタルツインは、クローズドループシステムをエミュレートする3つのモジュールから構成される。
モデルは68時間のデータでトレーニングされ、8時間のテストデータで検証された。
障害検出は、再トレーニングの必要性を評価し、デジタルツインは、SAGミルをエキスパート制御システムで監督する約束を示す。
論文 参考訳（メタデータ） (2024-07-04T17:20:36Z) - Distilling the Unknown to Unveil Certainty [66.29929319664167]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)データから逸脱するテストサンプルを識別し、ネットワークの堅牢性と信頼性を確保するために重要である。
本稿では,ネットワークからOOD感受性情報を抽出し,IDとOODサンプルを識別可能なバイナリ分類器を開発するための,OOD知識蒸留のためのフレキシブルなフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-14T08:05:02Z) - DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep
Adversarial Learning for Counterfactual Prediction and Treatment Effect
Estimation on Real World Data [7.712429926730386]
因果深い学習は、個別化された治療効果を推定する伝統的な手法よりも改善された。
DR-VIDALは治療と結果の2つのジョイントモデルを組み合わせた新しい生成フレームワークである。
DR-VIDALは、合成および実世界のデータセットにおいて、他の生成的および生成的手法よりも優れた性能を達成する。
論文 参考訳（メタデータ） (2023-03-07T19:44:58Z) - Calibrated ensembles can mitigate accuracy tradeoffs under distribution
shift [108.30303219703845]
ID校正アンサンブルは,IDとOODの精度で,先行技術(自己学習に基づく)より優れていた。
我々は,この手法をスタイリングされた環境で解析し,IDとOODの両方をうまく処理するためのアンサンブルの2つの重要な条件を同定する。
論文 参考訳（メタデータ） (2022-07-18T23:14:44Z) - Exploring Covariate and Concept Shift for Detection and Calibration of
Out-of-Distribution Data [77.27338842609153]
キャラクタリゼーションにより、OODデータの検出と信頼性校正には、それぞれのシフトに対する感度が重要であることが明らかになった。
分布内データのみを用いて両シフトでのOOD検出を改善するために,幾何学的に着想を得た手法を提案する。
我々は,OOD検出とキャリブレーションの両面で,異なるタイプのシフトの下でうまく機能する手法を最初に提案する。
論文 参考訳（メタデータ） (2021-10-28T15:42:55Z) - Improving Variational Autoencoder based Out-of-Distribution Detection
for Embedded Real-time Applications [2.9327503320877457]
アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。
本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。
提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。
また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
論文 参考訳（メタデータ） (2021-07-25T07:52:53Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。
ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
論文 参考訳（メタデータ） (2020-03-21T17:46:28Z)
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。