産業用ロボットの運用中に、予期せぬ事象が人間の安全や生産品質に脅威を及ぼす可能性がある。こうした事象を検出するためにデータを収集する際、予測不可能な事象が時間とともに発生するため、すべての潜在的なエラーに関するデータが含まれるとは限らない。したがって、異常検出（Anomaly Detection, AD）は、正常なデータのみを用いて異常事象を検出する能力を学習するという実用的な解決策を提供する。本研究では、機械データに基づき、ロボット応用における異常検出手法の学習とベンチマーク評価を可能にするデータセットを紹介する。このデータセットは、エンドエフェクタの動作や環境オブジェクトとの相互作用を含む、典型的なピックアンドプレースタスクを対象としている。また、データセットに含まれる複数の異常はタスク特有ではなく一般性を持つため、本データセットを用いた評価結果は他のロボット応用にも汎用的に適用可能である。さらに、本研究では、新たなベースライン手法として「MVT-Flow（多変量時系列フロー）」を提案する。MVT-Flowは、正規化フロー（normalizing flows）を用いた深層学習に基づく密度推定に依拠しており、データの構造をアーキテクチャ設計に反映させることで、データドメインに適したモデルを構築している。評価結果によると、MVT-Flowは従来の手法と比較して、ROC曲線下の面積（AUC）において6.2%の大幅な性能向上を達成した。