故障検知/エッジAI2026/9/24arXiv:2609.29194

適応型エッジモデルによる移動ロボットの連続的オンライン故障検知

Continuous Online Fault Detection for Mobile Robots via Adaptive Edge Models

オフラインの基盤モデルから軽量なStudentモデルへ蒸留し、エッジ上でリアルタイムに動作する移動ロボットの故障検知手法を提案。オンライン適応と不確実性に基づく能動学習により、未知の故障にも対応する。

詳しい要約

1. どんなもの？

- 移動ロボット向けの連続的なオンライン故障検出フレームワーク。 - Teacher-Student distillation を採用。 - オフラインの foundation model (TSPulse) が疑似ラベルを生成。 - 軽量な MiniRocket Student が Recursive Least Squares estimator で適応。 - エッジ上でリアルタイム推論を実現。

2. 先行研究と比べてどこがすごい？

- 深層時系列モデルは高コストで高頻度オンボード実行が困難。 - 提案手法は 4.30 ms の CPU 推論遅延を達成。 - オンライン適応により未知の機械劣化から回復。 - VUS-PR スコアを 0.26 から 0.75 に改善。 - catastrophic forgetting を回避。

3. 技術・手法の肝は？

- Teacher-Student distillation フレームワーク。 - オフライン foundation model (TSPulse) が fault injections で拡張した未ラベル時系列から疑似ラベルを生成。 - 軽量 MiniRocket Student が Recursive Least Squares estimator で適応。 - 不確実性誘導型 active learning 戦略でオペレータの介入を最小化。

4. どうやって有効だと検証した？

- TSB-AD benchmark と物理移動ロボットで評価。 - Student の CPU 推論遅延 4.30 ms を実証。 - 実世界のドメインシフトでオンライン適応が有効。 - VUS-PR スコアが 0.26 から 0.75 に向上。 - catastrophic forgetting なし。

5. 議論はある？

- 不確実性誘導型 active learning がオペレータの認知負荷を軽減。 - 新規故障分布に遭遇時のみ疎な介入を要求。 - リソース制約ロボティクスへの最先端異常検出の展開を検証。 - その他の議論は要旨からは不明。

6. 次に読むべき論文は？

- TSPulse - MiniRocket - Recursive Least Squares estimator - TSB-AD benchmark - active learning - anomaly detection - time-series foundation model

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jordan Levy, Nicolas Verstaevel, Vincent Talon, Benoit Gaudou

分類: cs.RO, cs.LG

原文アブストラクト

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.

arXivで原文を読む →arXiv概要ページ

← 論文一覧