論文の概要: Geometric Attractor Monitoring: A Robust and Frugal Framework for Multi-modal Industrial Robotic Cycles
- arxiv url: http://arxiv.org/abs/2608.30804v1
- Date: Mon, 31 Aug 2026 13:55:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.42664
- Title: Geometric Attractor Monitoring: A Robust and Frugal Framework for Multi-modal Industrial Robotic Cycles
- Title（参考訳）: 幾何学的トラクターモニタリング:マルチモーダル産業用ロボットサイクルのロバストでフルガルなフレームワーク
- Abstract要約: 我々は、位相空間再構成(PSR)に基づく産業用ロボットの健康状態監視フレームワークを開発する。
提案手法は,3年間で21個の異種ロボットと合成ランゲヴィンシステムを用いて,標準的なディープラーニングベースラインより優れている。
アルゴリズムバイアスを対象システムの幾何学的特性と整合させることで,実用的でトレーサブルで容易に展開可能なアプローチが得られることを示す。
- 参考スコア（独自算出の注目度）: 1.1296281974137743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monitoring the health of heterogeneous industrial robot fleets is severely challenged by the multi-modal nature of their operational cycles and a persistent scarcity of run-to-failure data. Standard data-driven approaches, particularly deep learning architectures relying on sequential reconstruction, often struggle in this specific setting; they tend to over-smooth complex dynamics, masking early signs of degradation. To address these industrial constraints, we reframe the monitoring problem through a framework based on Phase Space Reconstruction (PSR). Instead of predicting temporal sequences, this framework transforms univariate sensor data into a geometric attractor, explicitly unfolding the mechanical states independently of their temporal occurrence. By evaluating various anomaly scoring techniques within this space, we demonstrate that discrete support estimation provides an effective and computationally frugal Health Indicator (HI). Validated on a real-world dataset of 21 heterogeneous robots over three years and a synthetic Langevin system, our approach outperforms standard deep learning baselines. We show that aligning the algorithmic bias with the geometric properties of the target system yields a pragmatic, traceable and easily deployable approach perfectly tailored to the realities of industrial constraints.
- Abstract（参考訳）: 不均一な産業用ロボット群の健康状態のモニタリングは、運用サイクルのマルチモーダルな性質と、ラン・トゥ・フェイルデータの持続的不足により、非常に困難である。
標準的なデータ駆動アプローチ、特にシーケンシャルな再構築に依存したディープラーニングアーキテクチャは、しばしばこの特定の環境で苦労する。
これらの産業的制約に対処するため,我々はPSR(フェーズ空間再構成)に基づくフレームワークを用いてモニタリング問題を再構築した。
時間的シーケンスを予測する代わりに、このフレームワークは単変量センサーデータを幾何学的アトラクションに変換し、時間的発生とは無関係に機械的状態を明示的に展開する。
この領域における様々な異常スコアリング手法を評価することにより、離散的サポート推定が効果的で計算学的にフリゲールなHealth Indicator (HI) を提供することを示した。
3年間にわたる21の異種ロボットの実際のデータセットと合成ランゲヴィンシステムで検証され、私たちのアプローチは標準的なディープラーニングベースラインよりも優れています。
目的システムの幾何学的特性にアルゴリズムバイアスを合わせることで,産業制約の現実に完全に適合した,実用的でトレーサブルで容易に展開可能なアプローチが得られることを示す。
関連論文リスト
- Learning Spatio-Temporal Foundation Models from Pure Synthetic Data [85.23980441738811]
NeoSTは、現実バイアスに対するスケーラブルな合成学習コーパスであり、複数の将来の軌跡を反復的に生成・洗練する潜在空間推論アーキテクチャであり、構造的ダイナミクスを強調し、分散シフトの下で推論時間補正を可能にする潜在空間目的である。
様々な実世界のベンチマークによる大規模な実験は、NeoSTが様々な実世界の時間系において既存のSTFMより一貫して優れていることを示している。
論文 参考訳（メタデータ） (2026-06-27T02:56:46Z) - Mobility Anomaly Generation using LLM-Driven Behavior with Kinematic Constraints [1.330528227599978]
本稿では,現実的な軌跡異常を大規模に合成するエンド・ツー・エンドな生成フレームワークを提案する。
我々のアーキテクチャは、純粋に合成されたモビリティデータと複雑な現実世界の物理的な制約の間のギャップを埋める。
論文 参考訳（メタデータ） (2026-06-09T02:09:02Z) - ASTER: Latent Pseudo-Anomaly Generation for Unsupervised Time-Series Anomaly Detection [13.213712558290823]
時系列異常検出は、産業監視、医療、サイバーセキュリティといった分野において重要である。
本稿では,擬似アノマリーを潜在空間で直接生成するフレームワークであるASTERを提案する。
潜時空間デコーダは、Transformerベースの異常をトレーニングするために、カスタマイズされた擬似アノマリーを生成する。
事前訓練されたLLMは、この空間の時間的および文脈的表現を豊かにする。
論文 参考訳（メタデータ） (2026-04-15T14:32:35Z) - Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring [0.0]
VSCOUTは、高次元設定での振り返り(Phase I)監視のために設計された、配布不要のフレームワークである。
VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現する。
そのスケーラビリティ、分散柔軟性、レジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実用的で効果的な方法としてVSCOUTを位置づけている。
論文 参考訳（メタデータ） (2026-01-28T18:30:48Z) - ProteuS: A Generative Approach for Simulating Concept Drift in Financial Markets [44.76567557906836]
適応アルゴリズムの開発と検証における根本的な問題は、現実世界の財務データに基礎的な真理が欠如していることである。
本稿では,事前定義された構造破壊を伴う半合成財務時系列を生成するための新しいフレームワークProteuSを紹介する。
生成されたデータの解析によってタスクの複雑さが確認され、異なる市場状態間の大きな重複が明らかになる。
論文 参考訳（メタデータ） (2025-08-30T21:01:47Z) - Anomaly Detection in Complex Dynamical Systems: A Systematic Framework Using Embedding Theory and Physics-Inspired Consistency [0.0]
複雑な力学系における異常検出は、産業やサイバー物理のインフラにおける信頼性、安全性、効率を確保するために不可欠である。
本稿では,古典的な埋め込み理論と物理に着想を得た一貫性原理を基礎としたシステム理論による異常検出手法を提案する。
本研究は, 異常が安定系の力学を阻害する仮説を支持し, 異常検出のためのロバストな信号を提供する。
論文 参考訳（メタデータ） (2025-02-26T17:06:13Z) - Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。
時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。
STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2024-03-14T02:26:10Z) - Real-World Anomaly Detection by using Digital Twin Systems and
Weakly-Supervised Learning [3.0100975935933567]
本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。
これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。
提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
論文 参考訳（メタデータ） (2020-11-12T10:15:56Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。