Autonome Systeme, welche außerhalb von Laborumgebungen eingesetzt werden, müssen mit vielen unterschiedlichen Situationen umgehen können. Hierbei muss das System Fehlerfälle erkennen und passend auf diese reagieren, da dieses andernfalls zu unerwarteten Verhalten des Systems führen kann. Das Problem hierbei ist, dass in unstrukturierten Umgebungen sehr viele Gefahren auftreten können, die nicht alle im Vorhinein bedacht werden können.

Mit der Hilfe von Maschine Learning Verfahren soll in dieser Arbeit ein Normalverhalten des jeweiligen Systems erlernt werden. Das Modell des Normalverhaltens soll anschließend dazu genutzt werden um mit der Hilfe von Anomalieerkennung zu bestimmen ob sich das System in einem Normal- oder Fehlerzustand befindet. Hierbei besteht die Schwierigkeit darin, dass keine dedizierten Daten zu Fehlerzuständen vorliegen.

Als Maschine Learning Algorithmen sollen hierbei LSTM und Transformer Networks verwendet werden. Um das Vorhersagemodell zu trainieren, können Daten aus den Sensoren für den Gelenkzustand, für die Kraftmessung, für die Bewegungskommandos und den Stromverbrauch genutzt werden. Zusätzlich zu den Sensordaten können noch Daten aus der Inertial Measurement Unit (IMU) verwendet werden.