基于多粒度联合孤立森林的机器人实时异常监控方法

针对机器人实时异常监控问题,提出了基于多粒度联合孤立森林的实时异常监控方法。该方法对机器人的历史数据进行多粒度参数重组得到一系列具有不同参数组合的数据集,每一个数据集都可以训练一个孤立森林,最终产生了一个孤立森林集合。多个孤立森林联合投票策略是使用一个异常数据集对各个森林进行测试,求出异常数据集在每个孤立森林上的平均异常分数,并由此确定每个孤立森林在联合孤立森林模型总体决策中的话语权。以机器人的碰撞异常作为监控对象对该方法进行评价,监控准确率达99.8%,且报警平均延迟仅为26.72 ms,说明该方法能够有效地实现机器人实时异常监控。