論文の概要: Continual Learning for Traversability Prediction with Uncertainty-Aware Adaptation

• arxiv url: http://arxiv.org/abs/2609.17141v1
• Date: Tue, 15 Sep 2026 13:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.531777
• Title: Continual Learning for Traversability Prediction with Uncertainty-Aware Adaptation
• Title（参考訳）: 不確実性を考慮したトラバーサビリティ予測の連続学習
• Abstract要約: トラバーサビリティ予測は、非構造環境における自律ナビゲーションの重要な構成要素である。 近年の学習ベーストラバーサビリティ予測の進歩にもかかわらず、これらの手法は新しい地形に適応できないことが多い。 本稿では,新たな地形に漸進的に適応するトラバーサビリティ予測のための連続学習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）: 4.431224792587337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traversability prediction is a critical component of autonomous navigation in unstructured environments, where complex and uncertain robot-terrain interactions pose significant challenges such as traction loss and dynamic instability. Despite recent progress in learning-based traversability prediction, these methods often fail to adapt to novel terrains. Even when adaptation is achieved, retaining experience from previously trained environments remains a challenge, a problem known as catastrophic forgetting. To address this challenge, we propose a continual learning framework for traversability prediction that incrementally adapts to new terrains using a generative experience recall model. A key virtue of the proposed framework is two folds: i) retain prior experience without storing past data; and ii) incorporate the uncertainty of the generated samples from the recall model, enabling uncertainty-aware adaptation. Real-world experiments with a skid-steering robot validate the effectiveness of the proposed framework, demonstrating its ability to adapt across a series of diverse environments while mitigating catastrophic forgetting.
• Abstract（参考訳）: トラバーサビリティ予測は、複雑で不確実なロボットとテランの相互作用がトラクションロスや動的不安定といった重要な課題を引き起こす非構造環境における自律ナビゲーションの重要な構成要素である。 近年の学習ベーストラバーサビリティ予測の進歩にもかかわらず、これらの手法はしばしば新しい地形に適応しない。 適応が達成されたとしても、以前に訓練された環境からの経験を維持することは依然として困難であり、破滅的な忘れ事として知られる問題である。 この課題に対処するために、生成的体験リコールモデルを用いて、新たな地形に漸進的に適応する、トラバーサビリティ予測のための継続的学習フレームワークを提案する。 提案されたフレームワークの重要な特長は2つある。 一 過去のデータを保管することなく、事前の経験を維持すること 二 再生モデルから生成されたサンプルの不確実性を取り入れ、不確実性認識の適応を可能にすること。 スキッドステアリングロボットを用いた実世界の実験は、提案フレームワークの有効性を検証し、破滅的な忘れを軽減しつつ、様々な環境に適応できることを実証した。

関連論文リスト

• From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
  このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。 3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。 この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
  論文  参考訳（メタデータ） (2026-01-22T06:21:31Z)
• Adaptive Evidential Learning for Temporal-Semantic Robustness in Moment Retrieval [39.603000380180774]
  Debiased Evidential Learning for Moment Retrieval (DEMR)は、クロスモーダルアライメントのための反射Flipped Fusion(RFF)ブロックを組み込んだ新しいフレームワークである。 我々は,不確実性予測を洗練し,困難なモーメントと適応的なアライメントを実現し,精度を向上するGeom-regularizerを提案する。
  論文  参考訳（メタデータ） (2025-11-30T16:13:20Z)
• UF-RNN: Real-Time Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [4.849928323880955]
  状態が不確実な環境で効果的に動作するためのロボットの訓練は、ロボット工学における長年の課題である。 本稿では、標準時系列予測とアクティブな「フォレスト」モジュールを組み合わせたモデルである、不確実性駆動型フォレストリカレントニューラルネットワーク(UF-RNN)を提案する。 UF-RNNは、その潜在空間における自己誘起カオス力学を活用することにより、堅牢な適応を示す。 これらの結果は、不確実性駆動型フォレストを模倣学習パイプラインに統合することで、予測不可能な現実世界の状況に対処するロボットの能力を著しく向上させることができることを示唆している。
  論文  参考訳（メタデータ） (2025-10-11T13:44:20Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Active Exploration via Autoregressive Generation of Missing Data [11.713451719120707]
  自己回帰シーケンスモデルからのトレーニングと生成の問題として,オンライン意思決定において不確実な定量化と探索を行う。 われわれのアプローチは、適切な行動選択によって明らかになるであろう将来の成果の欠如から生じる不確実性に頼っている。
  論文  参考訳（メタデータ） (2024-05-29T19:24:44Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• 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)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  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。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Learning Domain Adaptive Object Detection with Probabilistic Teacher [93.76128726257946]
  確率的教師(PT)と呼ばれる,シンプルで効果的な枠組みを提案する。 PTは、段階的に進化する教師から未ラベルの目標データの不確実性を捉え、相互に有利な方法で生徒の学習を指導することを目的としている。 また,不確実性誘導型自己学習を促進するために,新しいエントロピー・フォカル・ロス(EFL)を提案する。
  論文  参考訳（メタデータ） (2022-06-13T16:24:22Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。