Lors du fonctionnement des robots industriels, des événements anormaux peuvent compromettre la sécurité des opérateurs et la qualité de la production. Lors de la collecte de données destinées à détecter de tels événements, il n’est pas garanti que toutes les erreurs potentiellement susceptibles de survenir soient représentées, car des incidents imprévus peuvent survenir au fil du temps. En conséquence, la détection d’anomalies (AD) offre une solution pratique, puisqu’elle permet d’apprendre à identifier les événements inhabituels à partir uniquement de données normales. Nous introduisons un jeu de données permettant l’entraînement et le benchmarking des méthodes de détection d’anomalies dans les applications robotiques, basé sur des données machine, qui sera mis à disposition publiquement pour la communauté scientifique. Comme une tâche typique de robot, ce jeu de données inclut une application de prélèvement et de placement, impliquant des mouvements, des actions de l’effecteur final et des interactions avec les objets de l’environnement. Étant donné que plusieurs des anomalies contenues ne sont pas spécifiques à une tâche précise mais sont générales, les évaluations réalisées sur notre jeu de données sont transférables à d’autres applications robotiques. En outre, nous présentons MVT-Flow (multivariate time-series flow), une nouvelle méthode de référence pour la détection d’anomalies : elle repose sur une estimation de densité basée sur l’apprentissage profond via des flows de normalisation, adaptée au domaine des données en tenant compte de leur structure pour concevoir l’architecture. Notre évaluation montre que MVT-Flow surpasse les méthodes de référence issues de travaux antérieurs avec une amélioration significative de 6,2 % en termes de surface sous la courbe ROC.