ALLO数据集：首个为月球轨道机器人近距离操作设计的异常检测基准开源数据集。
2024-09-30，由多伦多大学航天与地面自主机器人系统实验室（STARS）与多伦多机器人与人工智能实验室（TRAIL）联合MDA太空公司，共同创建了ALLO（Anomaly Localization in Lunar Orbit）数据集。这个数据集填补了月球轨道空间操作异常检测领域的空白，为机器人在复杂太空环境中的自主性提升提供了重要支持。
一、研究背景：
随着NASA的月球门户计划的推进，未来的月球空间站将需要在大部分时间内无人值守，这要求空间站具备高度的自主操作能力。加拿大臂3（Canadarm3）作为空间站外部的机器人系统，需要能够在太空环境中进行自我监测并识别潜在的碰撞风险。
目前遇到困难和挑战：
1、太空环境中的光照条件复杂多变，给异常检测带来挑战。
2、缺乏适用于月球轨道操作的异常检测算法。
3、现有的太空图像数据集不足以支持开发适用于Canadarm3的算法。
4、需要新的、鲁棒性强且准确的异常检测方法来应对月球轨道的特殊视觉条件。
数据集地址：ALLO|空间机器人数据集|异常检测数据集
二、让我们一起来看ALLO数据集：
ALLO数据集是首个为月球轨道机器人近距离操作设计的异常检测基准数据集。数据集使用Blender的Cycles渲染引擎开发，模拟了月球轨道上的空间站操作环境，包括正常和异常情况的图像，以及像素级的地面真实映射。
数据集特点：
1、包含94,890张无异常图像和17,527张含异常图像。
2、模拟了月球轨道上复杂光照条件下的视觉场景。
3、提供了用于评估视觉异常检测算法性能的基准。
基准测试：
评估了现有的最先进的异常检测算法在ALLO数据集上的性能，并讨论了现有方法在太空领域的局限性。
使用三个指标来评估 ALLO 数据集上的异常检测算法：图像 AUROC （I.AUROC） 、像素 AUROC （P.AUROC） 和平均精度 （P.AP）。
异常检测算法的预测示例。
根据彩色异常的异常检测算法进行的示例推理。
三、让我们一起展望数据集应用场景
比如，我是一名太空站的机器人操作员。
我任务是确保Canadarm3机器人手臂在执行任务时不会碰到任何意外障碍物。Canadarm3机器人手臂的任务可不轻松，得检查空间站外壳有没有损伤，还得时刻警惕有没有飘来太空垃圾，这可不是闹着玩的，一不留神就可能早造成严重损伤。这可是在月球轨道上，周围环境复杂得很，而且光照条件一天一个样，有时候太阳光直射，亮得刺眼；有时候又进入阴影，黑得伸手不见五指。所以，这需要我时刻紧盯着屏幕，生怕错过任何异常。
但现在有了ALLO数据集训练的系统
机器人通过学习ALLO数据集中的图像，能够快速识别出这块垃圾，并及时调整操作路径来避开它。
比如，我在检查太阳能板的时候，发现有个小破损，虽然不大，但时间长了也会影响能量收集。机器人手臂可以利用ALLO数据集训练出的算法，快速定位这个小破损，并记录下来，方便我后续修复。
ALLO数据集就像是给了机器人一副“火眼金睛”，让它在月球轨道上的工作更加得心应手。我只需要在旁边监督，有问题时给出指导，其他的都可以放心交给机器人。