論文の概要: Uncertainty-Aware Deep Learning for Autonomous Safe Landing Site Selection

• arxiv url: http://arxiv.org/abs/2102.10545v1
• Date: Sun, 21 Feb 2021 08:13:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 15:11:42.716777
• Title: Uncertainty-Aware Deep Learning for Autonomous Safe Landing Site Selection
• Title（参考訳）: 自律型安全な着陸サイト選択のための不確実性認識深層学習
• Authors: Kento Tomita and Katherine A. Skinner and Koki Ho
• Abstract要約: 本論文では,危険検出と着陸地点選択のための不確実性認識学習手法を提案する。 ベイジアンディープラーニングとセマンティックセグメンテーションを通じて、安全予測マップとその不確実性マップを生成する。 生成された不確実性マップを使用して予測マップ内の不確かさ画素をフィルタリングし、特定の画素のみに基づいて安全なランディングサイト選択を行う。
• 参考スコア（独自算出の注目度）: 3.996275177789895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hazard detection is critical for enabling autonomous landing on planetary surfaces. Current state-of-the-art methods leverage traditional computer vision approaches to automate identification of safe terrain from input digital elevation models (DEMs). However, performance for these methods can degrade for input DEMs with increased sensor noise. At the same time, deep learning techniques have been developed for various applications. Nevertheless, their applicability to safety-critical space missions has been often limited due to concerns regarding their outputs' reliability. In response to this background, this paper proposes an uncertainty-aware learning-based method for hazard detection and landing site selection. The developed approach enables reliable safe landing site selection by: (i) generating a safety prediction map and its uncertainty map together via Bayesian deep learning and semantic segmentation; and (ii) using the generated uncertainty map to filter out the uncertain pixels in the prediction map so that the safe landing site selection is performed only based on the certain pixels (i.e., pixels for which the model is certain about its safety prediction). Experiments are presented with simulated data based on a Mars HiRISE digital terrain model and varying noise levels to demonstrate the performance of the proposed approach.
• Abstract（参考訳）: 危険な検出は、惑星表面への自律着陸を可能にするために重要です。 現在の最新の方法は、従来のコンピュータビジョンアプローチを利用して、入力デジタル標高モデル(DEM)から安全な地形の識別を自動化します。 しかし, センサノイズの増加に伴い, 入力demの性能が低下する可能性がある。 同時に、さまざまなアプリケーション向けにディープラーニング技術が開発されています。 それでも、安全に重要な宇宙ミッションへの適用は、その出力の信頼性に関する懸念のため、しばしば制限されてきた。 そこで本論文では,危険検知と着陸地点選定のための不確実性を考慮した学習手法を提案する。 i) ベイズ深層学習と意味セグメンテーションにより安全性予測マップとその不確実性マップを生成すること、および(ii) 生成された不確実性マップを用いて、予測マップ内の不確実性画素をフィルタし、特定の画素(すなわち、モデルが安全予測について確信を持っている画素)のみに基づいて安全な着陸地点の選択を行うことによる、信頼性の高い安全な着陸地点選択を可能にする。 提案手法の性能を実証するために,Mars HiRISEデジタル地形モデルと各種騒音レベルに基づくシミュレーションデータを用いて実験を行った。

関連論文リスト

• Reliable Probabilistic Human Trajectory Prediction for Autonomous Applications [1.8294777056635267]
  車両システムは信頼性、正確、高速、資源効率、スケーラブル、低遅延軌道予測を必要とする。 本稿では,これらの要求に対処する軽量な手法として,Long Short-Term Memory と Mixture Density Networks を提案する。 自動運転車アプリケーションにおける人体軌道予測の必須要件について考察し,交通関連データセットを用いて本手法の性能を実証する。
  論文  参考訳（メタデータ） (2024-10-09T14:08:39Z)
• Generative Edge Detection with Stable Diffusion [52.870631376660924]
  エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。 本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。 複数のデータセットに対して広範な実験を行い、競争性能を達成する。
  論文  参考訳（メタデータ） (2024-10-04T01:52:23Z)
• Real-Time Stochastic Terrain Mapping and Processing for Autonomous Safe Landing [0.0]
  本稿では,新しいリアルタイムな惑星地形マッピングアルゴリズムを開発した。 サンプル点間の地形的不確実性や、スパース3次元測定による不確かさを考慮に入れている。
  論文  参考訳（メタデータ） (2024-09-14T05:12:14Z)
• Visual Environment Assessment for Safe Autonomous Quadrotor Landing [8.538463567092297]
  本研究では,安全な四段着陸のための着陸地点の検出と評価を行う新しい手法を提案する。 本ソリューションは,GPSなどの外部支援を不要にしながら,2次元および3次元環境情報を効率的に統合する。 提案手法は,計算能力に制限のあるクオータ上でリアルタイムに実行される。
  論文  参考訳（メタデータ） (2023-11-16T18:02:10Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Deep Monocular Hazard Detection for Safe Small Body Landing [12.922946578413578]
  危険検出と回避は、将来ロボットによる小型ボディサンプルの回収と着陸ミッションの鍵となる技術である。 本研究では,単一の単眼画像から直接着地安全性を予測するために,深いセマンティックセグメンテーション技術を活用する新しい安全マッピングパラダイムを提案する。 本研究は,OSIRIS-RExミッションから得られたサンプルの実際のその場画像に対して,高精度かつ正確な安全マッピング性能を示す。
  論文  参考訳（メタデータ） (2023-01-30T19:40:46Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Adaptive Meta-Learning for Identification of Rover-Terrain Dynamics [0.0]
  ローバーは安全と効率を最大化する軌道を計画するために地形の知識を必要とする。 高標高の地形分類は、ローバーが予想外の砂トラップで立ち往生するのを防ぐには不十分である。 オンラインのローバー・テランの相互作用データを利用して将来のダイナミクスを正確に予測し、ローバーのさらなる損傷を防ぐことができる。
  論文  参考訳（メタデータ） (2020-09-21T21:56:44Z)
• UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders [81.5490760424213]
  データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。 そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-13T04:12:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。