Incremental learning of variational autoencoders for anomaly detection in autonomous robots

Detection of anomalies and faults is a crucial part of the life of an autonomous robot. In fact, a fault which is not promptly detected and taken care of may result in the robot damaging itself (with the consequence of a loss of money) or, even worse, in the robot harming surrounding people. This thesis proposes a new deep learning-based method for detecting anomalies in autonomous robots. The main contribution of this thesis is a new incremental method for training variational autoencoders in an unsupervised fashion. The proposed method projects robotic sensors logs in a progress-based latent space that can be used to detect anomalies both at runtime (online) and offline. Unlike most other existing approaches, which are usually trained in a semi-supervised setting, our method does not require a big batch of nominal observations, but, only unlabeled observations are employed, containing both nominal and anomalous samples. We compared our approach against two state-of-the-art methods based on variational autoencoders and two other methods commonly used in robotics, on three datasets. Experimental results show that our method outperforms the competitors both in terms of false positive rate and alert delay.

Il rilevamento di anomalie e guasti è una parte cruciale della vita di un robot autonomo. Infatti, un guasto non tempestivamente rilevato e riparato può comportare il danneggiamento del robot stesso (con conseguente perdita di denaro) o, ancor peggio, danni alle persone circostanti. Questa tesi propone un nuovo metodo basato sul deep learning per la rilevazione di anomalie nei robot autonomi. Il contributo principale di questa tesi è un nuovo metodo incrementale per l'addestramento di autoencoder variazionali in modo non supervisionato. Il metodo proposto proietta i log ottenuti da sensori a bordo di un robot in uno spazio latente basato sul progresso che può essere utilizzato per rilevare anomalie sia in fase di esecuzione (online) che offline. A differenza della maggior parte degli altri approcci esistenti, che di solito sono addestrati in un ambiente semi-supervisionato, il nostro metodo non richiede grandi quantità di osservazioni nominali, ma vengono utilizzate solo osservazioni senza etichetta, contenenti campioni sia nominali che anomali. Abbiamo confrontato il nostro approccio con due metodi esistenti basati su autoencoder variazionali e altri due metodi comunemente usati nella robotica, su tre set di dati. I risultati sperimentali mostrano che il nostro metodo supera i concorrenti sia in termini di tasso di falsi positivi che di ritardo degli allarmi.