基于马氏距离SVDD与音频-IMU融合的自主机器人无监督异常检测
机器人学
2025-05-12 v1
摘要
可靠的异常检测对于确保自主机器人的安全至关重要，尤其是在基于视觉或激光雷达（LiDAR）的传统检测系统在恶劣或不可预测条件下变得不可靠时。在此类场景下，需要替代的传感模态来提供及时且鲁棒的反馈。为此，我们探索使用音频和惯性测量单元（IMU）传感器来检测自主移动机器人中的潜在异常，例如碰撞和内部机械故障。此外，为解决带标签异常数据有限的挑战，我们提出了一种基于马氏距离支持向量数据描述（M-SVDD）的无监督异常检测框架。与依赖欧几里得距离并假设各向同性特征分布的传统SVDD方法相比，我们的方法采用马氏距离来自适应地缩放特征维度并捕获特征间相关性，从而实现更具表达力的决策边界。此外，引入了一个基于重建的辅助分支以保持特征多样性并防止表征坍缩，进一步增强了异常检测的鲁棒性。在收集的移动机器人数据集和四个公开数据集上的大量实验证明了所提方法的有效性，如视频https://youtu.be/yh1tn6DDD4A所示。代码和数据集可在https://github.com/jamesyang7/M-SVDD获取。
引用
@article{arxiv.2505.05811,
title = {Unsupervised Anomaly Detection for Autonomous Robots via Mahalanobis SVDD with Audio-IMU Fusion},
author = {Yizhuo Yang and Jiulin Zhao and Xinhang Xu and Kun Cao and Shenghai Yuan and Lihua Xie},
journal= {arXiv preprint arXiv:2505.05811},
year = {2025}
}