RAD: 로봇 관측 기반 실생활 이상 탐지 데이터셋 및 벤치마크
RAD: A Dataset and Benchmark for Real-Life Anomaly Detection with Robotic Observations
이상 탐지(anomaly detection)는 로봇 인식과 산업 검사에 필수적이지만, 대부분의 벤치마크는 고정된 시점과 안정적인 조명 하의 통제된 조건에서 수집된다. 이러한 설정은 카메라 자세(pose), 조명, 표면 반사율(reflectance)이 지속적으로 변하는 로봇 배치 환경을 반영하지 못한다. 우리는 자세에 무관한(pose-agnostic) 이상 탐지를 위한 로봇 촬영 다중 시점(multi-view) 벤치마크인 RAD(Realistic Anomaly Detection)를 제안한다. RAD는 통제되지 않은 조명 하에서 Franka 로봇 팔과 RGB-D 카메라로 물체당 68개 시점에서 촬영한 13개 일상 물체 카테고리의 5,848장 RGB 이미지를 포함한다. 데이터셋은 긁힘(scratched), 결손(missing), 얼룩(stained), 압착(squeezed)의 네 가지 현실적 결함 유형을 다루며, 위치 파악(localization)을 위한 픽셀 수준 주석을 제공한다. 우리는 테스트 자세가 알려지지 않은 현실적 설정에서 대표적인 2D 특징(feature) 기반 방법, 3D 재구성 파이프라인, 비전-언어(vision-language) 모델을 벤치마킹한다. 결과는 기존 벤치마크와 RAD에서의 성능 사이에 뚜렷한 격차가 있음을 보여준다. 강력한 2D 특징 임베딩(feature-embedding) 방법은 이미지 수준 탐지에서 가장 신뢰할 만하게 유지되며, 3D 접근법은 픽셀 수준 위치 파악에서 더 경쟁력 있지만 반사 재료, 기하학적 대칭, 희소한 시점 커버리지에 취약하다. 비전-언어 모델은 분류(classification)와 위치 파악 모두에서 낮은 성능을 보인다. RAD는 견고한 로봇 검사를 위한 도전적인 테스트베드(testbed)를 제공하며, 외관(appearance), 기하(geometry), 시점 불확실성(viewpoint uncertainty)의 공동 모델링에서 남은 과제를 강조한다. 웹사이트와 코드는 https://chang-xinhai.github.io/rad-website/ 에서 제공된다.