論文の概要: Safe Perception-Based Control under Stochastic Sensor Uncertainty using Conformal Prediction

• arxiv url: http://arxiv.org/abs/2304.00194v1
• Date: Sat, 1 Apr 2023 01:45:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 19:21:31.745808
• Title: Safe Perception-Based Control under Stochastic Sensor Uncertainty using Conformal Prediction
• Title（参考訳）: コンフォーマル予測を用いた確率センサの不確かさ下での安全知覚制御
• Authors: Shuo Yang, George J. Pappas, Rahul Mangharam, and Lars Lindemann
• Abstract要約: 本稿では,知覚マップの推定不確かさを定量化する知覚ベース制御フレームワークを提案する。 また、これらの不確実性表現を制御設計に統合する。 本稿では,LiDAR対応F1/10thカーに対する認識制御の有効性を示す。
• 参考スコア（独自算出の注目度）: 20.87801851572477
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We consider perception-based control using state estimates that are obtained from high-dimensional sensor measurements via learning-enabled perception maps. However, these perception maps are not perfect and result in state estimation errors that can lead to unsafe system behavior. Stochastic sensor noise can make matters worse and result in estimation errors that follow unknown distributions. We propose a perception-based control framework that i) quantifies estimation uncertainty of perception maps, and ii) integrates these uncertainty representations into the control design. To do so, we use conformal prediction to compute valid state estimation regions, which are sets that contain the unknown state with high probability. We then devise a sampled-data controller for continuous-time systems based on the notion of measurement robust control barrier functions. Our controller uses idea from self-triggered control and enables us to avoid using stochastic calculus. Our framework is agnostic to the choice of the perception map, independent of the noise distribution, and to the best of our knowledge the first to provide probabilistic safety guarantees in such a setting. We demonstrate the effectiveness of our proposed perception-based controller for a LiDAR-enabled F1/10th car.
• Abstract（参考訳）: 学習可能な知覚マップを用いて高次元センサ計測から得られる状態推定を用いた知覚に基づく制御について検討する。 しかし、これらの知覚地図は完全ではなく、システム動作の安全を損なう状態推定誤差をもたらす。 確率的センサノイズはより悪くなり、未知の分布に従う推定誤差が発生する。 我々は知覚に基づく制御フレームワークを提案する。 一 知覚地図の推定の不確かさを定量化し、 ii) これらの不確実性表現を制御設計に統合する。 そこで我々は,未知の状態を含む集合である有効な状態推定領域を計算するために,共形予測を用いる。 次に,ロバスト制御バリア関数の計測に基づく連続時間システムのためのサンプルデータコントローラを考案する。 制御器は自己トリガー制御のアイデアを用いており、確率計算の使用を避けることができる。 我々の枠組みは、知覚マップの選択、ノイズ分布の非依存、そして私たちの知る限り、そのような環境で確率論的安全保証を初めて提供するものである。 本稿では,LiDAR対応F1/10thカーに対する認識制御の有効性を示す。

関連論文リスト

• Automatic AI controller that can drive with confidence: steering vehicle with uncertainty knowledge [3.131134048419781]
  本研究は,機械学習フレームワークを用いた車両の横方向制御システムの開発に焦点をあてる。 確率論的学習モデルであるベイズニューラルネットワーク(BNN)を用いて不確実性定量化に対処する。 信頼しきい値を確立することで、手動による介入をトリガーし、安全なパラメータの外で動作した場合に、制御がアルゴリズムから解放されることを保証できます。
  論文  参考訳（メタデータ） (2024-04-24T23:22:37Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Safe Output Feedback Motion Planning from Images via Learned Perception Modules and Contraction Theory [6.950510860295866]
  本稿では、実行時の安全性と目標到達性を保証する不確実な制御-アフィン非線形システムのクラスを示す。 我々は、観測から状態のサブセットを逆転させようとする知覚システムを訓練し、知覚誤差の上限を推定する。 次に、収縮理論を用いて安定化状態フィードバックコントローラと収束状態オブザーバを設計する。 この制御器が動的および不正確な状態推定における誤差を受ける場合、軌道追従誤差を導出する。
  論文  参考訳（メタデータ） (2022-06-14T02:03:27Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)
• Sampling-Based Robust Control of Autonomous Systems with Non-Gaussian Noise [59.47042225257565]
  雑音分布の明示的な表現に依存しない新しい計画法を提案する。 まず、連続系を離散状態モデルに抽象化し、状態間の確率的遷移によってノイズを捕捉する。 いわゆる区間マルコフ決定過程(iMDP)の遷移確率区間におけるこれらの境界を捉える。
  論文  参考訳（メタデータ） (2021-10-25T06:18:55Z)
• 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)
• 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)
• Guaranteeing Safety of Learned Perception Modules via Measurement-Robust Control Barrier Functions [43.4346415363429]
  制御理論と機械学習の技術を一体化して、安全を達成するコントローラを合成したいと考えている。 我々は,安全な制御入力を決定するツールとして,計測ロバスト制御バリア関数(MR-CBF)を定義した。 シミュレーションセグウェイシステムにおいて, MR-CBFが測定モデルの不確実性による安全性を実現するための有効性を示す。
  論文  参考訳（メタデータ） (2020-10-30T00:19:01Z)
• Robust Learning-Based Control via Bootstrapped Multiplicative Noise [0.0]
  本稿では,このような非漸近的不確かさを制御設計に明示的に組み込む頑健な適応制御アルゴリズムを提案する。 提案手法の主な利点は、システム識別とロバストな制御設計手順の両方が不確実性表現を使用することである。
  論文  参考訳（メタデータ） (2020-02-24T04:12:52Z)

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。