論文の概要: EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy

• arxiv url: http://arxiv.org/abs/2311.06234v1
• Date: Fri, 10 Nov 2023 18:49:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 14:17:34.930092
• Title: EVORA: Deep Evidential Traversability Learning for Risk-Aware Off-Road Autonomy
• Title（参考訳）: EVORA:リスクを意識したオフロードオートノミーのためのディープエビデンシャルトラバーサビリティ学習
• Authors: Xiaoyi Cai, Siddharth Ancha, Lakshay Sharma, Philip R. Osteen, Bernadette Bucher, Stephen Phillips, Jiuguang Wang, Michael Everett, Nicholas Roy, Jonathan P. How
• Abstract要約: この研究は、離散的なトラクション分布を学習することにより、アレータリックおよびエピステマティックな不確実性の両方を効率的に定量化する。 本研究では、学習精度とナビゲーション性能を向上させるクローズドフォーム表現を用いた、新しい不確実性を考慮したアースモーバー距離損失を提案する。 我々のアプローチはシミュレーションや車輪付き四足歩行ロボットで広範囲に検証されている。
• 参考スコア（独自算出の注目度）: 35.33566712780709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traversing terrain with good traction is crucial for achieving fast off-road navigation. Instead of manually designing costs based on terrain features, existing methods learn terrain properties directly from data via self-supervision, but challenges remain to properly quantify and mitigate risks due to uncertainties in learned models. This work efficiently quantifies both aleatoric and epistemic uncertainties by learning discrete traction distributions and probability densities of the traction predictor's latent features. Leveraging evidential deep learning, we parameterize Dirichlet distributions with the network outputs and propose a novel uncertainty-aware squared Earth Mover's distance loss with a closed-form expression that improves learning accuracy and navigation performance. The proposed risk-aware planner simulates state trajectories with the worst-case expected traction to handle aleatoric uncertainty, and penalizes trajectories moving through terrain with high epistemic uncertainty. Our approach is extensively validated in simulation and on wheeled and quadruped robots, showing improved navigation performance compared to methods that assume no slip, assume the expected traction, or optimize for the worst-case expected cost.
• Abstract（参考訳）: 高いトラクションで地形を横切ることは、高速のオフロードナビゲーションを達成するために不可欠である。 地形特性に基づくコストを手動で設計する代わりに、既存の手法は自己スーパービジョンを通じてデータから直接地形特性を学習するが、学習モデルの不確実性によるリスクを適切に定量化し軽減することが課題である。 本研究は,トラクション予測者の潜在特徴の離散的トラクション分布と確率密度を学習することにより,アレテータと認識的不確実性の両方を効率的に定量化する。 本研究では,ネットワーク出力を用いたディリクレ分布のパラメータ化を行い,学習精度とナビゲーション性能を向上させるクローズドフォーム式を用いて,新たな不確実性を考慮した2乗地球移動機の距離損失を提案する。 提案したリスク対応プランナーは,アレタリック不確実性に対処するために,最悪のシナリオで状態軌跡をシミュレートし,高度の疫学的不確実性を伴う地形中を移動する軌跡を罰する。 提案手法はシミュレーションや車輪付き四足歩行ロボットにおいて広範囲に検証され,スリップを前提とせず,予想されるトラクションを仮定し,最悪の場合の予測コストを最適化する手法と比較して,ナビゲーション性能が向上した。

関連論文リスト

• Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles [8.398221841050349]
  軌道予測は、自動運転車の周囲の障害物の動きを記述する。 本稿では,自律走行車における軌道予測におけるアウト・オブ・ディストリビューションのリアルタイム認識を確立することを目的とする。 提案手法は軽量であり, 軌道予測推定時にいつでもアウト・オブ・ディストリビューションの発生を処理できる。
  論文  参考訳（メタデータ） (2024-09-25T18:43:58Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• Safe Navigation in Unstructured Environments by Minimizing Uncertainty in Control and Perception [5.46262127926284]
  制御と知覚の不確実性は、非構造環境における自動運転車のナビゲーションに課題をもたらす。 本稿では,安全かつ信頼性の高いナビゲーションを実現するために,制御と認識の不確実性を最小化するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-26T11:24:03Z)
• Risk-aware Path Planning via Probabilistic Fusion of Traversability Prediction for Planetary Rovers on Heterogeneous Terrains [11.060425537315087]
  提案手法は, 誤ったトラバーサビリティ予測を明示的に考慮した新しい経路計画アルゴリズムを提案する。 提案手法は, 既存手法と比較して, 異質な地形上でより実現可能な経路を生成することができる。
  論文  参考訳（メタデータ） (2023-03-02T11:19:44Z)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• 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)
• 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)
• STEP: Stochastic Traversability Evaluation and Planning for Safe Off-road Navigation [9.423950528323893]
  トラバーサビリティを評価し,安全かつ実現可能な高速軌道をリアルタイムに計画する手法を提案する。 1)迅速な不確実性認識マッピングとトラバーサビリティ評価,2)条件付きバリュー・アット・リスク(CVaR)を用いたテールリスクアセスメント,3)効率的なリスクと制約を考慮したキノダイナミックな動き計画。 本手法をシミュレーションで解析し,地下溶岩管を含む極端な地形を探索する車輪型および脚型ロボットプラットフォーム上での有効性を検証する。
  論文  参考訳（メタデータ） (2021-03-04T04:24:19Z)
• 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)
• Can Autonomous Vehicles Identify, Recover From, and Adapt to Distribution Shifts? [104.04999499189402]
  トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。 インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。 提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。 分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
  論文  参考訳（メタデータ） (2020-06-26T11:07:32Z)
• 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。