面向机器人部署的网络系统反悖者发现

提出一种情境相关的异常检测方法，用于机器人群体执行覆盖任务时的物理运动。在仿真中模拟机器人正常行为，训练归一化流以预测当前环境情境下机器人运动的可能性。在实际应用中，使用观察到的运动可能性作为检测准则，对机器人代理进行正常或反悖性分类。该方法在五种不同的反悖行为策略上进行了评估。重要的是，仅使用可获得的机器人正常行为仿真数据进行训练，因此无需事先了解异常的性质。最佳检测准则在保持正常机器人代理误报率低于 5% 的同时，正确分类至少 80% 的每种反悖类型。此外，该方法在硬件实验中得到验证，结果与仿真情景相似。与现有方法相比，归一化流的预测性能和检测准则的鲁棒性均得到提升。