論文の概要: Adaptive World-Models for Anomaly Recognition (AWARE): A Framework for Robot Dynamics Prediction and Introspection

• arxiv url: http://arxiv.org/abs/2610.32742v1
• Date: Fri, 23 Oct 2026 14:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.587878
• Title: Adaptive World-Models for Anomaly Recognition (AWARE): A Framework for Robot Dynamics Prediction and Introspection
• Title（参考訳）: AWARE(Adaptive World-Models for Anomaly Recognition) - ロボットのダイナミクス予測とイントロスペクションのためのフレームワーク
• Abstract要約: 現在の異常検出アプローチは、異常状態を検出するために、モーターエンコーダなどの搭載センサーに依存している。 本稿では,外部カメラ監視のみを用いて異常検出が可能な世界モデルフレームワークAWAREを提案する。
• 参考スコア（独自算出の注目度）: 7.481332683869881
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unrecognized anomalies in critical infrastructure can rapidly cascade into catastrophic physical or operational failures. Current anomaly detection approaches often rely on direct access to the monitored system by utilizing onboard sensors, such as motor encoders, to detect anomalous states. However, legacy hardware often lacks these sensors, or strict security protocols may prohibit access altogether. We therefore present AWARE, a world model framework that is capable of anomaly detection using only external camera monitoring via system dynamics estimation and state prediction. Evaluated across 240 real-world robotic crane trajectories, including payload collisions and motor degradations, AWARE demonstrates a 26% improvement in anomaly classification over our strongest baseline under noisy, camera-only state estimation. Furthermore, the inferred dynamics parameter can be decoded to identify the source of faults, localizing the degrading motor with 88% accuracy.
• Abstract（参考訳）: 重要なインフラにおける未認識の異常は、破滅的な物理的または運用上の障害に急速にカスケードする。 現在の異常検出アプローチは、しばしば異常状態を検出するために、モーターエンコーダなどのオンボードセンサーを利用することで監視システムへの直接アクセスに依存する。 しかし、レガシーハードウェアはこうしたセンサーを欠いていることが多く、厳格なセキュリティプロトコルはアクセスを完全に禁止する可能性がある。 そこで本研究では,システムダイナミクス推定と状態予測による外部カメラ監視のみを用いて,異常検出が可能な世界モデルフレームワークであるAWAREを提案する。 AWAREは、ペイロード衝突やモーター劣化を含む240の現実世界のクレーン軌道で評価され、ノイズの多いカメラのみの状態推定の下で、我々の最強のベースラインに対する異常分類を26%改善したことを実証した。 さらに、推定力学パラメータをデコードして断層源を同定し、劣化モータを88%の精度で位置決めする。

関連論文リスト

• Unsupervised Memory-Enhanced Video Transformers: Obstacle Detection for Autonomous Agricultural Rover [0.34998703934432673]
  ビデオメモリトランスフォーマによる異常検出(VMTAD)は、動的農業シーンにおけるリアルタイム障害物検出のための教師なしの手法である。 挑戦的なデータセットでは、VMTADは最先端のパフォーマンスを達成し、受信器動作曲線の下で0.973検出と0.997セグメンテーション領域に達した。
  論文  参考訳（メタデータ） (2026-06-23T08:29:54Z)
• Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
  マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。 検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。 本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
  論文  参考訳（メタデータ） (2026-01-28T08:33:10Z)
• Assesing the Viability of Unsupervised Learning with Autoencoders for Predictive Maintenance in Helicopter Engines [0.0]
  本研究は、ヘリコプターエンジンの2つの予測保守戦略を比較した。 教師付き手法は、正常行動と欠陥行動の両方のラベル付き例に依存している。 教師なしのアプローチは、正常なエンジンデータのみを使用して正常な動作のモデルを学び、潜在的な欠陥として偏差を警告する。
  論文  参考訳（メタデータ） (2026-01-16T10:11:28Z)
• Variational Autoencoders for P-wave Detection on Strong Motion Earthquake Spectrograms [0.0]
  本研究では,P波到着検出を自己教師付き異常検出タスクとして再編成する。 アーキテクチャの変動は、再構成の忠実さと異常な差別の間のトレードオフを規制していることを示す。 注意に基づく変分オートコーダは、0から40km近距離で0.91の曲率のエリアアンダー・ザ・カーブを達成する。
  論文  参考訳（メタデータ） (2026-01-09T12:28:02Z)
• An Optimal Cascade Feature-Level Spatiotemporal Fusion Strategy for Anomaly Detection in CAN Bus [2.8151714475955263]
  インテリジェントトランスポートシステム(ITS)は、現代のインフラにおいて重要な役割を担っているが、車内コントローラエリアネットワーク(CAN)バスの放送特性により、セキュリティ上のリスクに直面している。 提案したフレームワークは、100%精度で全ての攻撃タイプを検出し、最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-01-31T00:36:08Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Proactive Anomaly Detection for Robot Navigation with Multi-Sensor Fusion [7.293053431456775]
  移動ロボットは異常な動作を生成し、ナビゲーション障害を引き起こす。 反応異常検出法は、現在のロボットの状態に基づいて異常なタスク実行を識別する。 本研究では,非構造的かつ不確実な環境下でのロボットナビゲーションのための能動的異常検出ネットワーク(PAAD)を提案する。
  論文  参考訳（メタデータ） (2022-04-03T19:48:40Z)
• 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)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)

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。