論文の概要: Continuous Online Fault Detection for Mobile Robots via Adaptive Edge Models
- arxiv url: http://arxiv.org/abs/2609.29194v1
- Date: Thu, 24 Sep 2026 08:06:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.787334
- Title: Continuous Online Fault Detection for Mobile Robots via Adaptive Edge Models
- Title（参考訳）: 適応エッジモデルによる移動ロボットの連続オンライン故障検出
- Abstract要約: 移動ロボットは、制約のあるエッジハードウェアに連続的に適応できる堅牢でリアルタイムな障害検出を必要とする。
本稿では,このギャップを教師-学生蒸留の枠組みで埋める。
軽量のMiniRocket StudentsはRecursive Least Squares推定器で適応し、この複雑な決定境界を近似してリアルタイムの推論を実行する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Mobile robots require robust, real-time fault detection capable of continuous adaptation on constrained edge hardware. While deep time-series models excel at unsupervised anomaly detection, their computational cost prohibits high-frequency onboard execution. This paper bridges this gap via a Teacher-Student distillation framework. An offline foundation model (TSPulse) generates pseudo-labels from unlabeled time series augmented with fault injections. A lightweight MiniRocket Student, adapted with a Recursive Least Squares estimator, approximates this complex decision boundary to execute real-time inference onboard. Evaluations on the TSB-AD benchmark and a physical mobile robot demonstrate the Student achieves a 4.30 ms CPU inference latency. During real-world domain shifts, online adaptation enables the Student to recover from unseen mechanical degradation, improving VUS-PR scores from 0.26 to 0.75 without catastrophic forgetting. Crucially, an uncertainty-guided active learning strategy minimizes operator cognitive load, requesting sparse interventions only when encountering novel fault distributions. These results validate the deployment of state-of-the-art anomaly detection on resource-constrained robotics through offline-to-online distillation.
- Abstract（参考訳）: 移動ロボットは、制約のあるエッジハードウェアに連続的に適応できる堅牢でリアルタイムな障害検出を必要とする。
深層時系列モデルは教師なし異常検出において優れているが、その計算コストは高周波オンボード実行を禁止している。
本稿では,このギャップを教師-学生蒸留の枠組みで埋める。
オフライン基礎モデル(TSPulse)は、故障注入を付加した未ラベル時系列から擬似ラベルを生成する。
軽量のMiniRocket StudentsはRecursive Least Squares推定器で適応し、この複雑な決定境界を近似してリアルタイムの推論を実行する。
TSB-ADベンチマークと物理移動ロボットによる評価では、学生は4.30msのCPU推論遅延を達成した。
現実世界のドメインシフトの間、オンライン適応により、学生は予期せぬ機械的劣化から回復でき、VUS-PRのスコアが0.26から0.75に改善される。
重要なことは、不確実性誘導型アクティブラーニング戦略はオペレータの認知負荷を最小限に抑え、新しい障害分布に遭遇した場合にのみスパース介入を要求することである。
これらの結果は,オフライン-オンライン蒸留による資源制約型ロボットへの最先端異常検出の展開を検証する。
関連論文リスト
- Shape Control of a Planar Hyper-Redundant Robot via Hybrid Kinematics-Informed and Learning-based Approach [42.55947704321053]
ハイパー冗長ロボットは、厳密で非構造的な環境での操作をうまく行うことができる。
到達可能な作業空間を拡張するために,多段式フレキシブルラック作動型平面ロボットを開発した。
本研究では,SpatioCoupledNet というハイブリッドキネマティクス・インフォームド・学習型形状制御手法を提案する。
論文 参考訳（メタデータ） (2026-03-11T04:35:06Z) - Axle Sensor Fusion for Online Continual Wheel Fault Detection in Wayside Railway Monitoring [1.1199585259018456]
本研究は,鉄道断層診断のためのセマンティック・アウェア,ラベル効率のよい連続学習フレームワークを提案する。
このモデルは、フラットやポリゴン化による小さな欠陥を検出しながら、進化する運用条件に適応する。
論文 参考訳（メタデータ） (2026-02-18T00:14:18Z) - Adaptive recurrent flow map operator learning for reaction diffusion dynamics [0.9137554315375919]
我々は,適応的反復学習(DDOL-ART)を軽量な検証マイルストーンを持つ頑健な再帰戦略を用いて行う演算子学習器を開発した。
DDOL-ARTは長いロールアウトで安定なワンステップ演算子を学び、ゼロショットを強いシフトに一般化する。
物理ベースの数値損失演算子学習器(NLOL)よりも、マッチした設定で数倍高速である。
論文 参考訳（メタデータ） (2026-02-10T07:33:13Z) - Human-in-the-loop Online Rejection Sampling for Robotic Manipulation [55.99788088622936]
Hi-ORSは、オンライン微調整中に負の報酬を得たサンプルをフィルタリングすることで、値推定を安定化する。
Hi-ORSは、わずか1.5時間でコンタクトリッチな操作をマスターするためのpiベースのポリシーを微調整する。
論文 参考訳（メタデータ） (2025-10-30T11:53:08Z) - AutoML for Multi-Class Anomaly Compensation of Sensor Drift [44.63945828405864]
センサドリフトは、時間とともに機械学習モデルのパフォーマンスを低下させる。
標準クロスバリデーション法はドリフトの不適切な会計によって性能を過大評価する。
本稿では,(1)モデル検証のための新しいセンサドリフト補償学習パラダイム,(2)分類性能の向上とセンサドリフト補償のための自動機械学習(AutoML)技術を提案する。
論文 参考訳（メタデータ） (2025-02-26T14:34:53Z) - Transient Fault Tolerant Semantic Segmentation for Autonomous Driving [44.725591200232884]
本稿では,過渡断層に対するレジリエンスを高めるために設計されたシンプルなアクティベーション関数ReLUMaxを紹介する。
実験により,ReLUMaxはロバスト性を効果的に向上し,性能を保ち,予測信頼性を向上することを示した。
論文 参考訳（メタデータ） (2024-08-30T00:27:46Z) - Machine Learning with Real-time and Small Footprint Anomaly Detection System for In-Vehicle Gateway [6.9113469208163245]
我々は、自己情報理論を用いて、トレーニングとテストモデルの値を生成することを提案する。
提案手法は偽陽性率(FPR)の8.7倍,テスト時間が1.77倍,フットプリントが4.88倍である。
論文 参考訳（メタデータ） (2024-06-24T07:23:52Z) - Distributed Learning in Heterogeneous Environment: federated learning
with adaptive aggregation and computation reduction [37.217844795181975]
異種データ、時間的変化のある無線条件、コンピューティングに制限のあるデバイスは3つの大きな課題である。
これらの課題に対処するための戦略を提案する。
提案手法は, 適度な遅延環境下で最大15ラウンドの通信遅延を許容できる。
論文 参考訳（メタデータ） (2023-02-16T16:32:54Z) - DeepFT: Fault-Tolerant Edge Computing using a Self-Supervised Deep
Surrogate Model [12.335763358698564]
本稿では,システム過負荷とその悪影響を積極的に回避するためにDeepFTを提案する。
DeepFTは、システム内の障害を正確に予測し、診断するために、ディープサロゲートモデルを使用している。
モデルのサイズが1ユニットあたりわずか3～1%のスケールで、アクティブなタスクやホストの数が増えるため、非常にスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2022-12-02T16:51:58Z) - 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) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。