Continuous Online Fault Detection for Mobile Robots via Adaptive Edge Models
作者: Jordan Levy, Nicolas Verstaevel, Vincent Talon, Benoit Gaudou
分类: cs.RO, cs.LG
发布日期: 2026-09-24
💡 一句话要点
通过自适应边缘模型实现移动机器人连续在线故障检测
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 移动机器人 故障检测 教师-学生蒸馏 实时推理 主动学习 异常检测 边缘计算
📋 核心要点
- 现有方法在高频率故障检测中面临计算成本高的问题，限制了其在移动机器人上的应用。
- 本文提出了一种教师-学生蒸馏框架，通过离线生成伪标签和轻量级模型实现实时故障检测。
- 实验结果表明，学生模型在真实环境中能够有效适应新故障，显著提升检测性能。
📝 摘要（中文）
移动机器人需要在受限边缘硬件上实现强健的实时故障检测，并具备持续适应能力。尽管深度时间序列模型在无监督异常检测中表现出色，但其计算成本限制了高频率的在线执行。本文通过教师-学生蒸馏框架填补了这一空白。离线基础模型TSPulse从带有故障注入的未标记时间序列中生成伪标签。轻量级MiniRocket学生模型结合递归最小二乘估计器，近似复杂决策边界以实现实时推理。评估结果显示，学生模型在TSB-AD基准和物理移动机器人上实现了4.30毫秒的CPU推理延迟。在真实世界的领域转移中，在线适应使学生能够从未见过的机械退化中恢复，VUS-PR得分从0.26提升至0.75，且没有灾难性遗忘。关键在于不确定性引导的主动学习策略，仅在遇到新故障分布时请求稀疏干预，从而减少操作员的认知负担。这些结果验证了在资源受限的机器人上部署最先进的异常检测的可行性。
🔬 方法详解
问题定义：本文旨在解决移动机器人在受限边缘硬件上进行实时故障检测的挑战。现有深度时间序列模型虽然在异常检测中表现优异，但其高计算成本限制了在机器人上的应用。
核心思路：论文提出通过教师-学生蒸馏框架，将复杂的离线模型与轻量级在线模型结合，实现高效的故障检测。教师模型生成伪标签，学生模型则在此基础上进行实时推理，确保在资源受限的环境中仍能保持高性能。
技术框架：整体架构分为两个主要阶段：首先，使用TSPulse模型进行离线训练，生成带有故障注入的伪标签；其次，MiniRocket学生模型在此基础上进行在线推理，结合递归最小二乘估计器进行实时决策。
关键创新：最重要的创新在于通过教师-学生蒸馏框架实现了复杂模型与轻量级模型的有效结合，使得在资源受限的环境中仍能进行高频率的故障检测。与现有方法相比，显著降低了计算负担。
关键设计：在设计中，MiniRocket学生模型采用递归最小二乘估计器，以适应动态环境中的在线学习需求。此外，采用不确定性引导的主动学习策略，确保在遇到新故障分布时，系统能够有效请求操作员干预。通过这些设计，系统在保持高效性的同时，降低了操作员的认知负担。
🖼️ 关键图片
📊 实验亮点
实验结果显示，MiniRocket学生模型在TSB-AD基准上实现了4.30毫秒的CPU推理延迟，并在真实环境中通过在线适应将VUS-PR得分从0.26提升至0.75，展现出优越的性能和适应能力。这些结果验证了在资源受限环境中应用先进异常检测技术的有效性。
🎯 应用场景
该研究的潜在应用领域包括移动机器人、自动驾驶汽车和工业自动化等场景。通过实现高效的故障检测，能够显著提升机器人在复杂环境中的安全性和可靠性，具有重要的实际价值和广泛的应用前景。未来，随着技术的进一步发展，该方法可能会扩展到更多类型的智能设备和系统中。
📄 摘要（原文）
Mobile robots require robust, real-time fault detection capable of continuous adaptation on constrained edge hardware. While deep time-series models excel at unsupervised anomaly detection, their computational cost prohibits high-frequency onboard execution. This paper bridges this gap via a Teacher-Student distillation framework. An offline foundation model (TSPulse) generates pseudo-labels from unlabeled time series augmented with fault injections. A lightweight MiniRocket Student, adapted with a Recursive Least Squares estimator, approximates this complex decision boundary to execute real-time inference onboard. Evaluations on the TSB-AD benchmark and a physical mobile robot demonstrate the Student achieves a 4.30 ms CPU inference latency. During real-world domain shifts, online adaptation enables the Student to recover from unseen mechanical degradation, improving VUS-PR scores from 0.26 to 0.75 without catastrophic forgetting. Crucially, an uncertainty-guided active learning strategy minimizes operator cognitive load, requesting sparse interventions only when encountering novel fault distributions. These results validate the deployment of state-of-the-art anomaly detection on resource-constrained robotics through offline-to-online distillation.