Adaptive Gaussian Mixture Models-based Anomaly Detection for under-constrained Cable-Driven Parallel Robots
作者: Julio Garrido, Javier Vales, Diego Silva-Muñiz, Enrique Riveiro, Pablo López-Matencio, Josué Rivera-Andrade
分类: cs.RO, cs.AI, cs.LG
发布日期: 2025-07-10 (更新: 2025-07-22)
备注: 14 pages, 8 figures, 1 table
💡 一句话要点
提出基于自适应高斯混合模型的异常检测方法以解决电缆驱动并联机器人安全性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 电缆驱动并联机器人 异常检测 高斯混合模型 自适应算法 马哈拉诺比斯距离 工业自动化 智能制造
📋 核心要点
- 现有方法通常依赖于额外传感器，增加了系统复杂性和成本，难以在动态环境中有效检测异常。
- 本文提出了一种基于电机扭矩数据的自适应高斯混合模型算法，能够在无额外传感器的情况下进行异常检测。
- 实验结果表明，该方法在不同风强度下的测试中实现了100%的真正阳性率和95.4%的平均真阴性率，表现出较高的鲁棒性。
📝 摘要（中文）
电缆驱动并联机器人（CDPRs）在负载操作任务中越来越受到重视，尤其是在预定义工具路径和中间停顿的情况下。在每个停顿时，系统需要评估是否安全继续操作，检测可能影响性能的异常（如风力突袭或电缆冲击）。本文研究了仅使用电机扭矩数据来检测异常的可行性，提出了一种基于高斯混合模型（GMM）的自适应无监督异常检测算法。该方法通过短暂的校准期拟合GMM于已知无异常数据，实时评估扭矩测量值并使用马哈拉诺比斯距离进行异常检测。模型参数定期更新以适应变化的环境。验证结果显示，该方法在14个长时间测试中实现了100%的真正阳性率和95.4%的平均真阴性率，检测延迟为1秒。
🔬 方法详解
问题定义：本文旨在解决电缆驱动并联机器人在负载操作中如何有效检测异常的问题。现有方法依赖额外传感器，增加了系统复杂性，且在动态环境中难以保持高效性。
核心思路：论文提出了一种基于电机扭矩数据的自适应高斯混合模型（GMM）算法，利用马哈拉诺比斯距离进行异常检测，避免了对额外传感器的依赖。
技术框架：该方法包括短暂的校准阶段，拟合GMM于已知无异常数据，随后实时评估扭矩信号，使用统计阈值触发异常标志，并定期更新模型参数以适应环境变化。
关键创新：最重要的创新在于自适应更新机制，能够根据最新的无异常数据动态调整模型参数，从而提高检测的准确性和鲁棒性。与传统的静态模型相比，该方法在环境变化时表现出更好的适应性。
关键设计：在参数设置上，采用了马哈拉诺比斯距离作为异常检测的核心指标，模型的更新频率和阈值设置经过实验验证，以确保在不同环境条件下的有效性。具体的损失函数和模型结构细节在论文中进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，提出的方法在14个长时间测试中实现了100%的真正阳性率和95.4%的平均真阴性率，且检测延迟仅为1秒。与传统的功率阈值和非自适应GMM方法相比，表现出更高的鲁棒性，尤其在环境变化和漂移情况下。
🎯 应用场景
该研究的潜在应用领域包括工业自动化、机器人技术和智能制造等领域，能够在不增加额外传感器的情况下提高电缆驱动并联机器人的安全性和可靠性。未来，该方法有望推广至其他类型的机器人和自动化系统中，提升其在复杂环境中的适应能力。
📄 摘要（原文）
Cable-Driven Parallel Robots (CDPRs) are increasingly used for load manipulation tasks involving predefined toolpaths with intermediate stops. At each stop, where the platform maintains a fixed pose and the motors keep the cables under tension, the system must evaluate whether it is safe to proceed by detecting anomalies that could compromise performance (e.g., wind gusts or cable impacts). This paper investigates whether anomalies can be detected using only motor torque data, without additional sensors. It introduces an adaptive, unsupervised outlier detection algorithm based on Gaussian Mixture Models (GMMs) to identify anomalies from torque signals. The method starts with a brief calibration period, just a few seconds, during which a GMM is fit on known anomaly-free data. Real-time torque measurements are then evaluated using Mahalanobis distance from the GMM, with statistically derived thresholds triggering anomaly flags. Model parameters are periodically updated using the latest segments identified as anomaly-free to adapt to changing conditions. Validation includes 14 long-duration test sessions simulating varied wind intensities. The proposed method achieves a 100% true positive rate and 95.4% average true negative rate, with 1-second detection latency. Comparative evaluation against power threshold and non-adaptive GMM methods indicates higher robustness to drift and environmental variation.