論文の概要: RAP: Risk-Aware Prediction for Robust Planning

• arxiv url: http://arxiv.org/abs/2210.01368v1
• Date: Tue, 4 Oct 2022 04:19:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:36:05.514861
• Title: RAP: Risk-Aware Prediction for Robust Planning
• Title（参考訳）: RAP:ロバスト計画のリスク対応予測
• Authors: Haruki Nishimura, Jean Mercat, Blake Wulfe, Rowan McAllister, Adrien Gaidon
• Abstract要約: 軌道上のリスクバイアス分布を学習するための新しい予測手法を提案する。 これにより、オンライン計画中のリスク推定のサンプルの複雑さが軽減される。
• 参考スコア（独自算出の注目度）: 21.83865866611308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust planning in interactive scenarios requires predicting the uncertain future to make risk-aware decisions. Unfortunately, due to long-tail safety-critical events, the risk is often under-estimated by finite-sampling approximations of probabilistic motion forecasts. This can lead to overconfident and unsafe robot behavior, even with robust planners. Instead of assuming full prediction coverage that robust planners require, we propose to make prediction itself risk-aware. We introduce a new prediction objective to learn a risk-biased distribution over trajectories, so that risk evaluation simplifies to an expected cost estimation under this biased distribution. This reduces the sample complexity of the risk estimation during online planning, which is needed for safe real-time performance. Evaluation results in a didactic simulation environment and on a real-world dataset demonstrate the effectiveness of our approach.
• Abstract（参考訳）: インタラクティブなシナリオにおける堅牢な計画には、リスクを意識した意思決定を行うための不確実性未来を予測する必要がある。 残念なことに、長距離安全臨界事象のため、確率的運動予測の有限サンプリング近似によってリスクは過小評価されることが多い。 これは、堅牢なプランナーであっても、過信で安全でないロボット行動を引き起こす可能性がある。 堅牢な計画立案者が必要とする完全な予測カバレッジを仮定する代わりに、予測自体をリスク対応にすることを提案する。 そこで本研究では, 軌道上のリスクバイアス分布を学習するための新しい予測目標を導入し, このバイアス分布下でのリスク評価を予測コスト推定に簡易化する。 これにより、安全なリアルタイムパフォーマンスに必要なオンライン計画中のリスク推定のサンプル複雑さが低減される。 評価結果はディダクティックシミュレーション環境および実世界のデータセットにおいて,本手法の有効性を示す。

関連論文リスト

• Risk-Aware Vehicle Trajectory Prediction Under Safety-Critical Scenarios [25.16311876790003]
  本稿では,安全クリティカルシナリオに適したリスク対応軌道予測フレームワークを提案する。 安全クリティカルな軌道予測データセットと調整された評価指標を導入する。 その結果,モデルの性能が向上し,ほとんどの指標が大幅に改善した。
  論文  参考訳（メタデータ） (2024-07-18T13:00:01Z)
• RAGIC: Risk-Aware Generative Adversarial Model for Stock Interval Construction [4.059196561157555]
  既存の予測アプローチの多くは、効果的な意思決定に必要な深さを欠いて、単一ポイントの予測に焦点を当てている。 本稿では,不確実性をより効果的に定量化するために,ストック間隔予測のためのシーケンス生成を導入するRAGICを提案する。 RAGICのジェネレータには、情報投資家のリスク認識をキャプチャするリスクモジュールと、歴史的価格動向と季節性を考慮した時間モジュールが含まれている。
  論文  参考訳（メタデータ） (2024-02-16T15:34:07Z)
• Distribution-free risk assessment of regression-based machine learning algorithms [6.507711025292814]
  我々は回帰アルゴリズムとモデル予測の周囲に定義された区間内に存在する真のラベルの確率を計算するリスク評価タスクに焦点をあてる。 そこで,本研究では,正のラベルを所定の確率で含むことが保証される予測区間を提供する共形予測手法を用いてリスク評価問題を解決する。
  論文  参考訳（メタデータ） (2023-10-05T13:57:24Z)
• Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
  本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。 死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
  論文  参考訳（メタデータ） (2022-07-06T19:49:42Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Holdouts set for predictive model updating [0.9749560288448114]
  リスクスコアの更新は、バイアスのあるリスク見積につながる可能性がある。 リスクスコアによって導かれる介入を受けない集団のサブセットであるホールドアウトセット(holdout set)の使用を提案する。 このアプローチによって、N$の人口に対して、総コストが$Oleft(N2/3right)$で成長できることが証明され、一般的な状況では競合する代替手段はない、と論じる。
  論文  参考訳（メタデータ） (2022-02-13T18:04:00Z)
• Fast nonlinear risk assessment for autonomous vehicles using learned conditional probabilistic models of agent futures [19.247932561037487]
  本稿では,自動運転車の軌道のリスクを評価するために,高速な非サンプリング方式を提案する。 提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。 我々は不確実な位置のモーメントの正確な時間進化を管理する決定論的線形力学系を構築する。
  論文  参考訳（メタデータ） (2021-09-21T05:55:39Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Reliable Off-policy Evaluation for Reinforcement Learning [53.486680020852724]
  シーケンシャルな意思決定問題において、非政治評価は、目標政策の期待累積報酬を推定する。 本稿では、1つまたは複数のログデータを用いて、ロバストで楽観的な累積報酬推定を提供する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-08T23:16:19Z)
• The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
  道路にはよく定義された地形、地形、交通規則がある。 本稿では,構造的事前を損失関数として組み込むことを提案する。 実世界の自動運転データセットにおけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-04T03:56:11Z)

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。