Learning-Based Fault Detection for Legged Robots in Remote Dynamic Environments

Titel: Op leerprocessen gebaseerde foutdetectie voor benige robots in externe dynamische omgevingen

Auteurs: Abriana Stewart-Height, Seema Jahagirdar en Nikolai Matni.

1. Probleemstelling

Operaties in gevaarlijke omgevingen (zoals bosbrandbestrijding, stralingsmonitoring en rampenbestrijding) brengen menselijke werknemers en dieren in groot risico. Quadrupede (vierpotige) robots worden ingezet om deze taken over te nemen, maar zij lopen het risico op ernstige mechanische schade. In tegenstelling tot mensen en dieren kunnen robots niet van nature hun looppatroon aanpassen aan een beschadigde extremiteit.

De kernuitdaging is dat een robot in een ongestructureerde, dynamische omgeving autonoom een beschadigde poot moet kunnen detecteren en isoleren. Zonder deze detectie kan de robot geen geschikte compensatiestrategie (zoals een driepoot-gaats) toepassen, wat leidt tot falen of vernietiging van de robot. Bestaande methoden vereisen vaak nauwkeurige dynamische modellen (wat moeilijk te verkrijgen is) of zijn computergewijs zeer intensief (zoals evolutionaire algoritmen).

2. Methodologie

De auteurs stellen een offline, onbewaakte (unsupervised) deep learning-aanpak voor om enkelvoudige pootfouten te detecteren op basis van proprioceptieve sensordata.

• Benadering: In plaats van een multi-class classificatieprobleem (waarbij het model moet leren welke poot kapot is op basis van gelabelde data), kiezen de auteurs voor anomaliedetectie. Het doel is om patronen te identificeren die afwijken van het "normale" (ongeschonden) gedrag.
• Model Architectuur: Er wordt gebruik gemaakt van een Autoencoder (een type neurale netwerk).
  • Encoder: Drukt de invoerdata (sensormetingen) samen tot een compacte, laag-dimensionale representatie (bottleneck).
  • Decoder: Probeert de oorspronkelijke invoerdata te reconstrueren vanuit deze compressie.
  • Netwerkstructuur: De encoder bestaat uit lagen met 8, 4 en 2 neuronen (ReLU-activatie). De decoder heeft een symmetrische structuur met 4, 8 en 4 neuronen.
• Trainingsdata: Het model wordt uitsluitend getraind op data van een onbeschadigde robot die een "fore-aft pronking" (een springende gang) uitvoert.
• Validatie en Test: Data van robots met beschadigde poten (Linker-Front, Rechter-Front, Linker-Achter, Rechter-Achter) wordt gebruikt voor validatie en testen, maar niet voor training.
• Foutdetectie Mechanisme:
  • De Reconstructie Fout (Mean Squared Error - MSE) tussen de werkelijke invoer en de gereconstrueerde uitvoer wordt berekend.
  • Een drempelwaarde (threshold) wordt bepaald op basis van de gemiddelde reconstructiefout ($\mu$) en de standaardafwijking ($\sigma$) van de trainingsdata (normale robot):
    $$\text{threshold} = \mu_{\text{training loss}} + x \cdot \sigma_{\text{training loss}}$$
  • Als de reconstructiefout van een nieuwe steekproef deze drempel overschrijdt, wordt deze geclassificeerd als een anomalie (beschadigde poot).

3. Dataset

• Bron: Experimentele data van een fysieke quadrupede robot (Minitaur).
• Sensoren: Per poot worden gemeten: positie, snelheid, en de stroom van twee heupmotoren ($\alpha$ en $\beta$).
• Omvang: In totaal 170 datapunten (trials) met variërende snelheden en afstanden (1 of 2 meter).
• Voorbewerking: De data is geschaald (MinMaxScaler) tussen 0 en 1. Staande data is gefilterd; alleen data tijdens het lopen (pronking) is gebruikt.

4. Belangrijkste Resultaten

De experimenten tonen aan dat de onbewaakte autoencoder-effectief is in het onderscheiden van beschadigde van onbeschadigde toestanden:

• Detectieprestaties:
  • Voor het ontbreken van de Linker-Front (LF) poot: 99,89% van de beschadigde steekproeven werd correct als anomalie gedetecteerd.
  • Voor het ontbreken van de Rechter-Front (RF) poot: 96,86% van de beschadigde steekproeven werd correct gedetecteerd.
  • De "False Positive" rate (foute alarmen bij een gezonde robot) was laag: ongeveer 15-17% van de gezonde data werd ten onrechte als beschadigd gemarkeerd, wat betekent dat 84-82% van de gezonde data correct als gezond werd geïdentificeerd.
• Visualisatie: De reconstructie van de sensordata voor een beschadigde robot wijkt significant af van de werkelijke data (hoge reconstructiefout), terwijl de reconstructie voor een gezonde robot zeer nauwkeurig is (lage fout).
• Snelheid: Het model kan binnen minder dan twee minuten een specifieke beschadigde poot identificeren door de gangdata te vergelijken met de normale gangdata.

5. Bijdragen en Relevantie

• Technische Innovatie: Dit werk demonstreert de haalbaarheid van het gebruik van onbewaakt leren (unsupervised learning) voor foutdetectie in robots, waarbij het model alleen "gezonde" data nodig heeft om afwijkingen te leren herkennen. Dit is cruciaal voor real-world toepassingen waar gelabelde data van alle mogelijke schadegevallen niet beschikbaar is.
• Onafhankelijkheid van Modellen: De methode vereist geen expliciet dynamisch model van de robot, wat het robuuster maakt voor complexe, onvoorspelbare omgevingen.
• Toekomstperspectief: De resultaten vormen de basis voor een volledig autonoom herstelstelsel. De volgende stap is het integreren van deze detectiemodule met eerder ontwikkelde "driepoot-gaats" (tripedal gaits) zodat de robot niet alleen de schade detecteert, maar ook direct de juiste compensatiestrategie uitvoert.
• Toepassingsgebied: Deze technologie is essentieel voor de inzet van robots in ruimteverkenning, bosbrandbestrijding en rampenbestrijding, waar menselijke interventie onmogelijk of te riskant is.

Conclusie: De auteurs hebben succesvol een offline deep learning-methode geïmplementeerd die proprioceptieve data gebruikt om enkelvoudige pootschade bij een quadrupede robot te detecteren met hoge nauwkeurigheid, zonder dat vooraf gelabelde data van beschadigde toestanden nodig is. Dit is een kritieke stap naar volledig autonome, zelfherstellende robots.