Adaptive World-Models for Anomaly Recognition (AWARE): A Framework for Robot Dynamics Prediction and Introspection

📄 arXiv: 2610.32742v1 📥 PDF

作者: Luke Beddow, George Mavroghenis, Rodrigo Chacon Quesada, Kamil Dreczkowski, Cong Sun, Jiankai Wang, Oscar Kwong-Fai Pang, Antoine Cully

分类: cs.RO, cs.AI

发布日期: 2026-10-23

💡 一句话要点

提出AWARE框架以解决关键基础设施异常检测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 异常检测 机器人监控 动态模型 状态预测 计算机视觉 系统动态估计 工业自动化

📋 核心要点

  1. 现有异常检测方法依赖于车载传感器，无法适应缺乏传感器或受限访问的情况。
  2. AWARE框架通过外部摄像头监控，结合系统动态估计和状态预测，实现异常检测。
  3. 在240条真实机器人轨迹实验中，AWARE的异常分类性能提升了26%，电机定位准确率达到88%。

📝 摘要（中文）

在关键基础设施中，未被识别的异常可能迅速导致灾难性的物理或操作故障。现有的异常检测方法通常依赖于直接访问被监控系统，通过使用车载传感器（如电机编码器）来检测异常状态。然而，传统硬件往往缺乏这些传感器，或严格的安全协议可能完全禁止访问。因此，本文提出了AWARE，一个能够仅通过外部摄像头监控进行异常检测的世界模型框架，利用系统动态估计和状态预测。AWARE在240条真实世界机器人起重机轨迹上进行评估，包括负载碰撞和电机退化，显示出在噪声环境下仅依靠摄像头状态估计的异常分类性能比最强基线提高了26%。此外，推断出的动态参数可以解码以识别故障源，电机定位准确率达到88%。

🔬 方法详解

问题定义：本文旨在解决关键基础设施中异常检测的挑战，现有方法依赖于车载传感器，无法适应缺乏传感器或受限访问的情况。

核心思路：AWARE框架通过外部摄像头监控，利用系统动态估计和状态预测来实现异常检测，避免了对传统传感器的依赖。

技术框架：AWARE的整体架构包括外部摄像头数据采集、动态模型构建、状态预测和异常检测模块，形成一个闭环的监控系统。

关键创新：AWARE的主要创新在于其能够在没有车载传感器的情况下，通过外部监控实现高效的异常检测，显著提升了检测的适用性和准确性。

关键设计：在设计中，AWARE采用了特定的动态模型和损失函数，以优化状态预测的准确性，并通过解码动态参数来实现故障源的定位。具体的网络结构和参数设置在实验中经过调优，以确保最佳性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在240条真实世界机器人轨迹的实验中，AWARE在噪声环境下的异常分类性能比最强基线提高了26%，并且在电机定位方面达到了88%的准确率，展示了其强大的实用性和有效性。

🎯 应用场景

该研究的潜在应用领域包括工业机器人监控、智能制造和基础设施安全等。通过实现高效的异常检测，AWARE能够帮助企业降低故障风险，提高运营效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Unrecognized anomalies in critical infrastructure can rapidly cascade into catastrophic physical or operational failures. Current anomaly detection approaches often rely on direct access to the monitored system by utilizing onboard sensors, such as motor encoders, to detect anomalous states. However, legacy hardware often lacks these sensors, or strict security protocols may prohibit access altogether. We therefore present AWARE, a world model framework that is capable of anomaly detection using only external camera monitoring via system dynamics estimation and state prediction. Evaluated across 240 real-world robotic crane trajectories, including payload collisions and motor degradations, AWARE demonstrates a 26% improvement in anomaly classification over our strongest baseline under noisy, camera-only state estimation. Furthermore, the inferred dynamics parameter can be decoded to identify the source of faults, localizing the degrading motor with 88% accuracy.