A hierarchical framework for robot behavior recognition and anomaly detection

This thesis provides a contribution to the fields of robot behavior recognition and anomaly detection. It addresses the robot behavior recognition and anomaly detection problems and proposes a hierarchical solution framework. Three alternative models for the lower level of such hierarchical framework are discussed, namely hidden Markov models, extended Kalman filters, deep autoencoders. Two methods for anomaly detection are proposed, namely likelihood estimation and model parameters comparison. These alternatives are compared to select those to build a solution for the robot behavior recognition problem. The proposed solution is implemented and validated in two different application domains, water quality inspection robots and indoor personal service robots. Several practical topics are discussed, like data preprocessing, noise filtering, local optimum, and over-fitting. Some common techniques are introduced to mitigate negative effects. The results are illustrated and interpreted. The limitations of the proposed solution are finally discussed.

Questa tesi si occupa del riconoscimento e modellazione del comportamento dei robot e del rilevamento di anomalie. Definisce il problema del riconoscimento del comportamento del robot e del rilevamento delle anomalie e propone un approccio gerarchico per la sua soluzione. Tre alternative sono proposte per il modello del livello inferiore, gli hidden Markov model, i filtri di Kalman estesi, i deep autoencoder. Sono proposti due metodi per il rilevamento di anomalie: il metodo della stima della verosimiglianza e il metodo di confronto dei parametri del modello. Queste alternative vengono confrontate per selezionare quelle che permettono di ottenere una soluzione al problema del riconoscimento del comportamento del robot. Nella parte pratica, la soluzione proposta è implementata e validata in due casi di studio, un robot per il controllo della qualità dell'acqua e un robot per l'assistenza agli anziani. Vengono discussi diversi argomenti pratici, come la pre-elaborazione dei dati, il filtraggio del rumore, il problema degli ottimi locali, e l'over-fitting. Alcune tecniche di base sono state introdotte per mitigare questi effetti negativi. I risultati sono illustrati e interpretati. Vengono infine discussi i limiti della soluzione.