-detector Anomaly Multimodal للكشف عن الأخطاء المتعددة الأوضاع في التغذية المساعدة بالروبوت باستخدام ترميز ذاتي متغير قائم على LSTM

اكتشاف التنفيذات الشاذة له قيمة كبيرة في تقليل المخاطر المحتملة في التلاعب المساعد. يمكن أن تكون الإشارات الحسية متعددة الأوضاع مفيدة للكشف عن مجموعة واسعة من الشذوذات. ومع ذلك، فإن دمج الأوضاع ذات البعد العالي والمتنوعة هو مشكلة صعبة. نقدم كودر تلقائي متغير يعتمد على الذاكرة طويلة المدى قصيرة المدى (LSTM-VAE) يقوم بدمج الإشارات وإعادة بناء توزيعها المتوقع. كما نقدم جهاز كشف يعتمد على LSTM-VAE يستخدم درجة شذوذ قائمة على إعادة البناء وعتبة قائمة على الحالة. بالنسبة لتقييمات 1,555 عملية تغذية مساعدة بالروبوت والتي تتضمن 12 نوعًا ممثلًا من الشذوذات، كان لدينا منطقة تحت منحنى الخصائص التشغيلية للمستلم (AUC) أعلى بمقدار 0.8710 مقارنة بخمسة أجهزة كشف أساسية أخرى من الأدبيات. كما نظهر أن دمج الأوضاع المتعددة عبر LSTM-VAE فعال من خلال مقارنة جهاز الكشف الخاص بنا باستخدام 17 إشارة حسية خام مع 4 خصائص تم تصميمها يدويًا.