Fugu-MT 論文翻訳(概要): Towards Explaining Uncertainty Estimates in Point Cloud Registration

論文の概要: Towards Explaining Uncertainty Estimates in Point Cloud Registration

arxiv url: http://arxiv.org/abs/2412.20612v1
Date: Sun, 29 Dec 2024 23:03:44 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-31 16:04:51.851184
Title: Towards Explaining Uncertainty Estimates in Point Cloud Registration
Title（参考訳）: ポイントクラウド登録における不確実性評価の解説に向けて
Authors: Ziyuan Qin, Jongseok Lee, Rudolph Triebel,
Abstract要約: 反復閉点 (ICP) は、2つの点間の変換を推定するアルゴリズムである。本稿では,確率的ICP法が特定の出力を生成する理由を説明する手法を提案する。
参考スコア（独自算出の注目度）: 30.547037499332742
License:
Abstract: Iterative Closest Point (ICP) is a commonly used algorithm to estimate transformation between two point clouds. The key idea of this work is to leverage recent advances in explainable AI for probabilistic ICP methods that provide uncertainty estimates. Concretely, we propose a method that can explain why a probabilistic ICP method produced a particular output. Our method is based on kernel SHAP (SHapley Additive exPlanations). With this, we assign an importance value to common sources of uncertainty in ICP such as sensor noise, occlusion, and ambiguous environments. The results of the experiment show that this explanation method can reasonably explain the uncertainty sources, providing a step towards robots that know when and why they failed in a human interpretable manner
Abstract（参考訳）: 反復閉点 (ICP) は、2つの点間の変換を推定するアルゴリズムである。この研究の鍵となる考え方は、不確実性推定を提供する確率的ICP手法に説明可能なAIの最近の進歩を活用することである。具体的には,確率的ICP法が特定の出力を生成する理由を説明する方法を提案する。本手法は,カーネルSHAP(SHapley Additive exPlanations)に基づく。これにより、センサノイズ、閉塞、曖昧な環境などのICPにおける共通不確実性源に重要な価値を割り当てる。実験の結果、この説明法は不確実性源を合理的に説明でき、人間が解釈可能な方法でいつ、なぜ失敗したかを知るロボットへの一歩となることがわかった。

関連論文リスト

Uncertainty Quantification in Stereo Matching [61.73532883992135]
ステレオマッチングのための新しいフレームワークとその不確実性定量化を提案する。我々は、不確実性と推定データの尺度としてベイズリスクを採用し、個別に不確実性をモデル化する。我々は,不確実性の少ないデータポイントを選択することにより,予測精度を向上させるために不確実性手法を適用した。
論文参考訳（メタデータ） (2024-12-24T23:28:20Z)
Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文参考訳（メタデータ） (2024-02-13T11:22:59Z)
Explaining Predictive Uncertainty by Exposing Second-Order Effects [13.83164409095901]
本稿では,2次効果に基づく予測不確実性を説明する新しい手法を提案する。提案手法は一般に適用可能であり,一般的な帰属手法を強力な二次不確実性説明器に変換することができる。
論文参考訳（メタデータ） (2024-01-30T21:02:21Z)
Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
論文参考訳（メタデータ） (2023-12-25T20:02:51Z)
One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文参考訳（メタデータ） (2023-12-16T14:59:11Z)
Safe motion planning with environment uncertainty [1.4824891788575418]
本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
論文参考訳（メタデータ） (2023-05-10T09:29:41Z)
Deep Bayesian ICP Covariance Estimation [3.5136071950790737]
イテレーティブクローズトポイント(ICP)ポイントクラウド登録アルゴリズムは、状態推定とセンサ融合のために不可欠である。我々は、ICPの主なエラー源は、センサノイズからシーン形状に至るまで、入力データそのものにあると主張している。近年の深層学習によるポイントクラウドの活用により,ICPのエラーモデルを学ぶためのデータ駆動型アプローチを提案する。
論文参考訳（メタデータ） (2022-02-23T16:42:04Z)
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)
Stein ICP for Uncertainty Estimation in Point Cloud Matching [41.22194677919566]
点雲マッチングにおける不確実性の定量化は、ポーズ推定、センサー融合、把握といった多くのタスクにおいて重要である。反復最近点 (ICP) は、2つの点雲間の変換の点推定を提供する、一般的に使用されるポーズ推定アルゴリズムである。我々は,ICPの変換パラメータの不確かさを正確に推定できる2点雲を整列する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-07T01:07:34Z)
Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
論文参考訳（メタデータ） (2020-06-28T13:49:30Z)
Getting a CLUE: A Method for Explaining Uncertainty Estimates [30.367995696223726]
微分可能確率モデルからの不確実性推定を解釈する新しい手法を提案する。提案手法は,データ多様体上に保持しながら,入力の変更方法を示す。
論文参考訳（メタデータ） (2020-06-11T21:53:15Z)

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。