自动化检查的世界模型失效分类与异常检测
机器人学
2026-02-19 v1
摘要
用于监控工业场所的自动化检查机器人可以减少人工检查所需的成本和风险。然而，由于遮挡、受限视角或意外环境条件， accurate readings 仍然具有挑战性。我们提出一种混合框架，结合受监督的失效分类与异常检测，使能够将检查任务分类为成功、已知失效或异常(即超出分布)情况。我们的做法使用带压缩视频输入的世界模型 backbone。该方法无需依赖策略，也不依赖分布，根据在人类观察者做出决定前由 conformal prediction(CP)阈值设定的两个决策函数来确定分类。我们在办公室和工业场所收集的仪表盘检查数据上评估了该框架，并在 Boston Dynamics Spot 上实现了实时部署。实验表明，该框架在区分成功、失效和超出分布情况方面准确率超过90%，且分类发生在人类观察者之前。这些结果凸显了在自动化检查任务中实现稳健、预知性失效检测的潜力，或作为模型训练的反馈信号，以评估和改进训练数据的质量。项目网站: https://autoinspection-classification.github.io
关键词
引用
@article{arxiv.2602.16182,
title = {World Model Failure Classification and Anomaly Detection for Autonomous Inspection},
author = {Michelle Ho and Muhammad Fadhil Ginting and Isaac R. Ward and Andrzej Reinke and Mykel J. Kochenderfer and Ali-akbar Agha-Mohammadi and Shayegan Omidshafiei},
journal= {arXiv preprint arXiv:2602.16182},
year = {2026}
}