基于 LSTM 变分自编码器的机器人辅助喂食多模态异常检测器
机器人学
2017-11-03 v1 机器学习
摘要
异常执行行为的检测对于降低辅助操作中的潜在危险具有重要价值。多模态感官信号有助于检测大范围的异常。然而，高维异构模态的融合是一个具有挑战性的问题。我们提出了一种基于长短期记忆的变分自编码器（LSTM-VAE），其融合信号并重建它们的期望分布。我们还提出了一种基于 LSTM-VAE 的检测器，采用基于重构的异常分数和基于状态的阈值。在包含 12 类代表性异常的 1555 次机器人辅助喂食执行数据上的评估中，我们的检测器获得了 0.8710 的受试者工作特征曲线下面积（AUC），高于文献中的其他 5 种基线检测器。我们还通过与使用 17 个原始感官信号对比 4 个手工设计特征的情况进行比较，表明通过 LSTM-VAE 进行的多模态融合是有效的。
引用
@article{arxiv.1711.00614,
title = {A Multimodal Anomaly Detector for Robot-Assisted Feeding Using an LSTM-based Variational Autoencoder},
author = {Daehyung Park and Yuuna Hoshi and Charles C. Kemp},
journal= {arXiv preprint arXiv:1711.00614},
year = {2017}
}
备注
8 pages, under review