摘要

在工业机器人运行过程中，异常事件可能危及人员安全并影响生产质量。在采集数据以检测此类异常时，由于某些不可预见的事件可能随时间随机发生，因此无法保证涵盖所有潜在故障的数据。为此，异常检测（Anomaly Detection, AD）提供了一种切实可行的解决方案：仅利用正常数据进行学习，即可识别异常情况。本文提出一个公开数据集，旨在支持机器人应用中异常检测方法的训练与基准测试，该数据集基于机器运行数据构建，将向科研界公开共享。数据集以典型的机器人任务——拾取与放置（pick-and-place）为例，涵盖了末端执行器的运动、操作动作以及与环境物体的交互过程。由于数据集中包含的多种异常并非特定于某项任务，而是具有普遍性，因此基于该数据集的评估结果也可有效迁移至其他机器人应用场景。此外，本文提出一种新的基准方法——MVT-Flow（多变量时间序列流模型），该方法基于深度学习的密度估计技术，采用归一化流（normalizing flows）架构，并针对数据的内在结构对网络设计进行优化。实验结果表明，MVT-Flow在ROC曲线下面积（AUC）指标上相较以往方法显著提升6.2个百分点，展现出优越的异常检测性能。