[论文解读] Proactive Anomaly Detection for Robot Navigation with Multi-Sensor Fusion

Tianchen Ji, Arun N. Sivakumar+2 more|arXiv (Cornell University)|Apr 3, 2022

Anomaly Detection Techniques and Applications被引用 6

一句话总结

该论文提出PAAD，一种主动异常检测网络，通过融合多传感器数据（摄像头与LiDADR）实现实时预测未来导航故障，利用规划运动轨迹与当前观测结果。在真实世界野外测试中，该方法实现了优异的故障检测性能，且误报率较低，在杂乱、不确定的环境中优于反应式与单模态方法。

ABSTRACT

Despite the rapid advancement of navigation algorithms, mobile robots often produce anomalous behaviors that can lead to navigation failures. The ability to detect such anomalous behaviors is a key component in modern robots to achieve high-levels of autonomy. Reactive anomaly detection methods identify anomalous task executions based on the current robot state and thus lack the ability to alert the robot before an actual failure occurs. Such an alert delay is undesirable due to the potential damage to both the robot and the surrounding objects. We propose a proactive anomaly detection network (PAAD) for robot navigation in unstructured and uncertain environments. PAAD predicts the probability of future failure based on the planned motions from the predictive controller and the current observation from the perception module. Multi-sensor signals are fused effectively to provide robust anomaly detection in the presence of sensor occlusion as seen in field environments. Our experiments on field robot data demonstrates superior failure identification performance than previous methods, and that our model can capture anomalous behaviors in real-time while maintaining a low false detection rate in cluttered fields. Code, dataset, and video are available at https://github.com/tianchenji/PAAD

研究动机与目标

• 为解决反应式异常检测的局限性，即仅在故障发生后才进行检测，通过实现未来导航故障的早期预测。
• 在结构不明确、不确定的野外环境中提升鲁棒性，此类环境中传感器遮挡与噪声信号会降低性能。
• 开发一种主动检测系统，利用规划的控制轨迹与实时传感器观测，实现早期故障预测。
• 通过摄像头与LiDAR信号的特征级融合提升检测可靠性，降低对单一传感器故障的敏感性。
• 在高环境不确定性与传感器噪声条件下，仍能保持实时运行中的低误报率。

提出的方法

• PAAD使用深度神经网络，输入包括当前感知观测（摄像头与LiDAR特征）以及来自预测控制器的规划运动轨迹。
• 摄像头与LiDAR的特征通过卷积编码器独立提取，并在两个阶段进行特征级融合，以增强鲁棒性。
• 模型采用混合损失函数进行训练，结合故障概率预测损失与重建损失，以提升泛化能力与抗噪声能力。
• 使用低方差的规划路径图像表示代替原始控制信号，从而实现从噪声控制动作中稳定学习特征。
• 通过折扣累积异常分数实现实时异常检测：$ s_t = \beta \sum_{k=0}^{T-1} \gamma^k y_{t+k} $，其中 $ y_{t+k} $ 为时间 $ t+k $ 的预测故障概率。
• 仅在连续三个异常分数超过0.5阈值后才触发检测，以提升对瞬态噪声的鲁棒性。

实验结果

研究问题

• RQ1 在结构不明确的野外环境中，主动异常检测系统是否能比反应式方法更早预测未来导航故障？
• RQ2 在传感器遮挡与信号噪声条件下，摄像头与LiDAR的多传感器融合在多大程度上提升了检测鲁棒性？
• RQ3 与原始控制信号相比，使用规划路径表示在多大程度上增强了检测的稳定性和性能？
• RQ4 在包括密集杂草与复杂地形在内的多样化野外条件下，该方法是否能保持低误报率？
• RQ5 在离线与实时测试场景中，该模型性能与单模态及多模态基线相比如何？

主要发现

• 在离线数据集上，PAAD的F1得分与PR-AUC均优于最先进方法，表现出更优的故障识别性能。
• 在实时测试中，PAAD在普通野外环境中检测出全部3起异常，在杂草丛生环境中检测出8起中的7起，普通环境仅1例误报，杂草环境8例误报。
• LiDAR基线在杂草环境中触发超过40例误报，而PAAD将误报率保持在8例，显示出显著提升的鲁棒性。
• PAAD成功捕捉到罕见故障模式，如因作物间隙导致的偏离路径行驶，而其他方法未能识别。
• 消融实验表明，特征级融合与混合训练损失显著提升了模型的泛化能力与抗噪声能力。
• PAAD对底层控制器具有无关性，在基于LiDAR与基于视觉的导航系统中均表现良好。