机器人导航的多传感器融合主动异常检测
在这项工作中,我们提出了一种汽车传感器丰富的平台和学习算法用于机动预测,该平台使用多个传感器流并联学习以提前预测机动,并提出了一种新颖的训练流程,我们提供了一个包含 1180 英里自然高速公路和城市行驶数据集,在现实时间内可以预测 3.5 秒的机动,精确度和召回率分别为 90.5%和 87.4%。
Jan, 2016
提出了一种基于深度自编码模型的多传感器数据的异常检测方法,用于在动态现实世界中可靠地执行机器人操作任务,结合红绿蓝(RGB)摄像头、深度摄像头、麦克风和力矩传感器等多种机器人传感器收集的异构数据流,通过训练一个深度自编码器来构建指示正常状态的多传感器数据的潜在表示,可以通过测量训练编码器和重构输入数据的潜在值之间的差异来识别异常,实验证明了该方法在各种对象类型、机器人行为和环境中的对象滑动情况下可靠地检测到异常,并且尽管存在视觉和听觉噪声。
Mar, 2024
该论文介绍了一种称为统计聚合异常检测(SAAD)的新型异常检测方法。SAAD 方法将先进的统计技术与机器学习相结合,通过在汽车领域的硬件在环(HIL)环境中对真实传感器数据进行验证证明了其有效性。SAAD 的关键创新在于结合了全连接网络和辍学层,极大地提高了异常检测的准确性和健壮性。综合实验评估结果表明,单独的统计方法达到了 72.1% 的准确性,而单独的深度学习模型达到了 71.5% 的准确性。相比之下,聚合方法达到了 88.3% 的准确性和 0.921 的 F1 得分,优于单独的模型。这些结果强调了 SAAD 的有效性,并展示了其在各个领域,包括汽车系统中的广泛应用潜力。
Jun, 2024
本文提出了两种基于信息熵和互信息准则的高效信息论路径规划方法,可以改进高斯过程模型中异性场的主动感知性能,并优化时间效率。该算法在实际应用中可以比现有技术更有效,计算时间较短。
Feb, 2013
本文介绍了针对移动机器人的视觉异常检测系统的构建问题,提出了使用辅助的异常曝光距离损失来提高 Real-NVP 模型性能的方法,并在室内巡逻情景下进行了实验证明。
Sep, 2022
我们提出了一种自适应融合方法,使用多种传感器,通过卷积神经网络专家的混合来学习权衡不同传感器的预测,该方法可适应于不同光照和摄像机运动模糊等影响。我们测试了该方法在室内和室外的人体检测,并证明了其可适应困难环境,同时,我们还提出了一个新的混合室内外环境中的 RGB-D 数据集,可供参考。
Jul, 2017
本研究提出了一种新的基于预训练卷积神经网络的特征异常检测算法(FADS),它无需调整 CNN 权重就能表现出优秀的性能,能够准确地检测工业自动化和零部件质量保证中的异常情况,同时可以用于增材制造和过程参数变化检测。
Apr, 2022
通过引入运行时异常监视器来检测和减轻闭环、系统级故障,本研究提出了一种基于可达性的框架对基于视觉的控制器进行线下压力测试和系统级故障挖掘,进而训练一个分类器用于在线标记可能导致系统故障的输入;同时,设计了一个备用控制器以强有力地处理检测到的异常,从而提高自主系统的安全性和鲁棒性。
Sep, 2023