RAD：用于机器人观察的真实生活异常检测数据集与基准
计算机视觉与模式识别
2026-01-06 v3
摘要
异常检测是机器人感知和工业检查的核心能力，但大多数现有基准是在受控环境下收集的，具有固定视角和稳定照明，无法反映实际部署场景。我们引入了 RAD（Realistic Anomaly Detection），一个由机器人捕获的多视角数据集，旨在考验姿态变化、反射材料以及视角相关缺陷可见性。RAD 涵盖 13 类日常物品和四种真实缺陷类型——划痕、缺失、污渍和挤压——在不受控制的照明条件下，从每个物品的 60 个以上机器人视角捕获。我们在姿态不敏感的设置下对广泛的 state-of-the-art 方法进行基准测试，包括 2D 特征基于方法、3D 重建管道和视觉语言模型（VLM）。意外地，我们发现成熟的 2D 特征嵌入方法在图像层面始终优于最新的 3D 和 VLM-based 方法，而在像素级定位方面的性能差距则逐渧缩小。我们的分析揭示，反射表面、几何对称性和稀疏视角覆盖是当前几何基于和零样本方法受限的关键因素。RAD 建立了一个具有挑战性且贴近现实的机器人异常检测基准，突显了受控实验室环境之外的关键开放问题。
引用
@article{arxiv.2410.00713,
title = {RAD: A Dataset and Benchmark for Real-Life Anomaly Detection with Robotic Observations},
author = {Kaichen Zhou and Xinhai Chang and Taewhan Kim and Jiadong Zhang and Yang Cao and Chufei Peng and Fangneng Zhan and Hao Zhao and Hao Dong and Kai Ming Ting and Ye Zhu},
journal= {arXiv preprint arXiv:2410.00713},
year = {2026}
}