論文の概要: Lightweight, Uncertainty-Aware Conformalized Visual Odometry
- arxiv url: http://arxiv.org/abs/2303.02207v1
- Date: Fri, 3 Mar 2023 20:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 21:00:09.950598
- Title: Lightweight, Uncertainty-Aware Conformalized Visual Odometry
- Title(参考訳): 軽量・不確かさを意識したコンフォーマル化視覚計測
- Authors: Alex C. Stutts, Danilo Erricolo, Theja Tulabandhula, Amit Ranjan
Trivedi
- Abstract要約: データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。
昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。
本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
- 参考スコア(独自算出の注目度): 2.429910016019183
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven visual odometry (VO) is a critical subroutine for autonomous edge
robotics, and recent progress in the field has produced highly accurate point
predictions in complex environments. However, emerging autonomous edge robotics
devices like insect-scale drones and surgical robots lack a computationally
efficient framework to estimate VO's predictive uncertainties. Meanwhile, as
edge robotics continue to proliferate into mission-critical application spaces,
awareness of model's the predictive uncertainties has become crucial for
risk-aware decision-making. This paper addresses this challenge by presenting a
novel, lightweight, and statistically robust framework that leverages conformal
inference (CI) to extract VO's uncertainty bands. Our approach represents the
uncertainties using flexible, adaptable, and adjustable prediction intervals
that, on average, guarantee the inclusion of the ground truth across all
degrees of freedom (DOF) of pose estimation. We discuss the architectures of
generative deep neural networks for estimating multivariate uncertainty bands
along with point (mean) prediction. We also present techniques to improve the
uncertainty estimation accuracy, such as leveraging Monte Carlo dropout
(MC-dropout) for data augmentation. Finally, we propose a novel training loss
function that combines interval scoring and calibration loss with traditional
training metrics--mean-squared error and KL-divergence--to improve
uncertainty-aware learning. Our simulation results demonstrate that the
presented framework consistently captures true uncertainty in pose estimations
across different datasets, estimation models, and applied noise types,
indicating its wide applicability.
- Abstract(参考訳): データ駆動ビジュアルオドメトリ(vo)は自律エッジロボットにとって重要なサブルーチンであり、この分野の最近の進歩は複雑な環境での高精度なポイント予測を生み出している。
しかし、昆虫サイズのドローンや手術ロボットのような自律エッジロボットデバイスは、voの予測の不確実性を推定する計算効率のよい枠組みを欠いている。
一方、エッジ・ロボティクスはミッションクリティカルなアプリケーション分野に拡大し続けており、モデルの予測の不確実性に対する認識がリスクを意識する意思決定に不可欠になっている。
本稿では,共形推論(CI)を利用してVOの不確実帯を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
提案手法は,姿勢推定のあらゆる自由度 (dof) における基礎的真理の包含を平均的に保証する,柔軟性,適応性,調整可能な予測間隔を用いた不確実性を表す。
本稿では,多変量不確かさ帯域を推定するための生成深部ニューラルネットワークのアーキテクチャと点(平均)予測について論じる。
また,データ拡張にモンテカルロドロップアウト(MCドロップアウト)を活用するなど,不確実性推定精度を向上させる手法を提案する。
最後に,不確実性認識学習を改善するために,区間スコアとキャリブレーションロスと,従来のトレーニング指標-平均二乗誤差とkl-divergenceを組み合わせた新しいトレーニング損失関数を提案する。
シミュレーションの結果,提案フレームワークは,様々なデータセット,推定モデル,適用ノイズタイプにわたるポーズ推定における真の不確かさを一貫して把握し,その適用可能性を示している。
関連論文リスト
- Conformalized Multimodal Uncertainty Regression and Reasoning [0.9205582989348333]
本稿では,マルチモーダル(不連続)不確実性境界を予測できる軽量不確実性推定器を提案する。
本稿では,空飛ぶ領域対称性などの環境特性が多モード不確実性をもたらす視覚計測(VO)への応用について論じる。
論文 参考訳(メタデータ) (2023-09-20T02:40:59Z) - Mutual Information-calibrated Conformal Feature Fusion for
Uncertainty-Aware Multimodal 3D Object Detection at the Edge [1.7898305876314982]
3次元(3D)物体検出は、重要なロボティクスの操作であり、大きな進歩を遂げている。
本研究は,共形推論の原理と情報理論測度を統合し,モンテカルロ自由な不確実性推定を行う。
このフレームワークは、KITTIの3Dオブジェクト検出ベンチマークにおいて、不確実性に気付かない類似のメソッドと同等またはより良いパフォーマンスを示す。
論文 参考訳(メタデータ) (2023-09-18T09:02:44Z) - Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。
RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
論文 参考訳(メタデータ) (2023-02-28T13:17:56Z) - Uncertainty Estimation based on Geometric Separation [13.588210692213568]
機械学習では、特定の入力が正しい確率を正確に予測することがリスク管理に不可欠である。
機械学習モデルにおける不確実性推定を改善するための新しい幾何学的アプローチを提案する。
論文 参考訳(メタデータ) (2023-01-11T13:19:24Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - 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) - The Benefit of the Doubt: Uncertainty Aware Sensing for Edge Computing
Platforms [10.86298377998459]
組込みエッジシステム上に展開されたNNにおける予測不確実性推定のための効率的なフレームワークを提案する。
フレームワークは1つのフォワードパスのみに基づいて予測の不確実性を提供するために、ゼロから構築されている。
提案手法は, 堅牢かつ正確な不確実性推定だけでなく, システム性能の点で最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2021-02-11T11:44:32Z) - Approaching Neural Network Uncertainty Realism [53.308409014122816]
自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。
マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。
自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
論文 参考訳(メタデータ) (2021-01-08T11:56:12Z) - The Aleatoric Uncertainty Estimation Using a Separate Formulation with
Virtual Residuals [51.71066839337174]
既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。
本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。
提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
論文 参考訳(メタデータ) (2020-11-03T12:11:27Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z)
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。