AnoF-Diff：用于强力工具使用的一步扩散异常检测
机器人学
2025-09-19 v1 机器学习
摘要
多元时间序列异常检测，对于识别意外事件至关重要，已在机器学习领域被探索了数十年。然而，将这些方法直接应用于强力工具使用任务的数据具有挑战性，因为现实世界中的流式传感器数据往往本质上具有噪声，表现出非平稳行为，并且因不同任务和工具而异。为应对这些挑战，我们提出了一种基于扩散模型的方法 AnoF-Diff，用于从时间序列数据中提取力-力矩特征，并利用力-力矩特征检测异常。我们将我们的方法与其他最先进方法在四个强力工具使用任务上进行了 F1 分数和受试者工作特征曲线下面积（AUROC）的比较，证明我们的方法具有更好的性能并且对噪声数据集更具鲁棒性。我们还提出了一种基于一步扩散的并行异常分数评估方法，并展示了我们的方法如何在多个强力工具使用实验中用于在线异常检测。
引用
@article{arxiv.2509.15153,
title = {AnoF-Diff: One-Step Diffusion-Based Anomaly Detection for Forceful Tool Use},
author = {Yating Lin and Zixuan Huang and Fan Yang and Dmitry Berenson},
journal= {arXiv preprint arXiv:2509.15153},
year = {2025}
}