面向机器人装配、拧紧与操作中通用故障监测的异常检测

机器人操作中的分布外状态常常导致不可预测的机器人行为或任务失败，限制了成功率并增加了损坏风险。异常检测（AD）可以识别数据中与预期模式的偏差，从而可用于触发故障安全行为和恢复策略。先前的工作已将数据驱动的AD应用于特定机器人任务的时间序列数据，然而，尚未证明一种AD方法在不同机器人控制策略和任务类型之间的可迁移性。利用力/扭矩信号等时间序列数据，可以直接捕捉对操作和在线故障检测至关重要的机器人与环境交互。由于机器人任务可能具有广泛不同的信号特性和要求，因此需要能够以相同方式应用于广泛任务的AD方法，理想情况下应具有良好的数据效率。我们研究了三个工业机器人任务：机器人布线、拧紧和打磨，每个任务都包含多模态时间序列数据和多种异常。比较了几种基于自编码器的方法，并评估了在不同机器人任务和控制方法（扩散策略、位置控制和阻抗控制）上的泛化能力。这使我们能够验证AD在涉及更严格公差以及来自机器人及其环境变化的复杂任务中的集成。此外，我们还评估了数据效率、检测延迟以及支持鲁棒检测的任务特性。结果表明，在布线和拧紧任务中，对于零件不正确或未对准以及目标受阻等故障，检测是可靠的，AUROC超过0.96。在打磨任务中，只有严重故障被可靠检测到，而更细微的故障类型仍未被检测到。