論文の概要: Marginal Calibration Does Not Compose: Hidden Dependence in Modular Robot Navigation

• arxiv url: http://arxiv.org/abs/2609.23731v1
• Date: Sun, 20 Sep 2026 16:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.97283
• Title: Marginal Calibration Does Not Compose: Hidden Dependence in Modular Robot Navigation
• Title（参考訳）: マリナルキャリブレーションは構成しない:モジュール型ロボットナビゲーションにおける隠れた依存
• Abstract要約: また, よく校正されたコンポーネントインタフェースは, 合成後の下流のキャリブレーション動作を必ずしも生成しないことを示した。 独立が過度に自信を持てるか 必要以上に保守的であると仮定する
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic systems are typically composed of multiple independently developed modules that work together to perceive, predict, and act in the environment. Although each module may perform reliably in isolation, composing them does not necessarily preserve uncertainty calibration at the system level. In this work, we show that well-calibrated component interfaces do not necessarily produce calibrated downstream behavior after composition. Using a moving-obstacle prediction pipeline, we demonstrate that position and velocity estimators can each appear well calibrated individually, yet differences in how their error are correlated lead to substantially different estimates of future-state uncertainty. Consequently, assuming independence can make the system either overly confident or unnecessarily conservative, directly influencing downstream planning decisions and safety. Through simulations, we show that modeling the joint covariance restores downstream calibration and improves system performance, whereas dependence-robust uncertainty bounds enhance safety at the cost of increased conservatism. Our findings reveal a fundamental limitation of independently validating robotic modules and highlight the need for interfaces that communicate dependence information or support direct system-level calibration.
• Abstract（参考訳）: ロボットシステムは、通常、環境の中で知覚、予測、行動するために協調して働く複数の独立して開発されたモジュールから構成される。 各モジュールは確実に独立して動作することができるが、システムレベルで不確実なキャリブレーションを保持する必要はない。 本研究では,よく校正されたコンポーネントインタフェースが必ずしも合成後の下流の挙動を調整しないことを示す。 移動障害物予測パイプラインを用いて、位置推定器と速度推定器がそれぞれ個別に適切に校正できることを実証するが、それらの誤差の相関性の違いは将来の不確実性の推定に大きく異なる結果をもたらす。 その結果、独立を仮定すれば、システムは過度に自信または不必要に保守的になり、下流の計画決定と安全性に直接影響を及ぼす可能性がある。 シミュレーションにより, 連成共分散モデルが下流のキャリブレーションを復元し, システム性能を向上するのに対し, 依存破壊不確実性境界は保守性の向上を犠牲にして安全性を高めることを示す。 本研究は,ロボットモジュールを独立に検証することの基本的限界を明らかにし,依存情報を伝達したり,直接システムレベルの校正をサポートするインターフェースの必要性を強調した。

関連論文リスト

• Particle-Based Conformal Prediction for Contact-Aware Uncertainty Calibration in Stratified Configuration Spaces [9.883377782603285]
  半次元不確かさ表現(CaPTURe)のための校正粒子集合を提案する。 CaPTUReは、任意の忠実度の粒子モデルを用いて、未知の将来のシステム構成の確率論的に有効な予測領域を生成する。 本手法は,ラビリンス周囲の大理石を制御し,マニピュレータを用いた高耐圧ペグインホール挿入を行う2つのシミュレーション計画課題について評価した。
  論文  参考訳（メタデータ） (2026-08-10T06:22:10Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Invascal: Inverse-Vacuity Self-Calibration for Uncertainty-Aware LiDAR Range-View Semantic Segmentation [3.0338740183736106]
  アーキテクチャに依存しない新しいアダプタヘッドを提案する。 予測は、クラスランキングのための予測ヘッドと、不確実性評価を洗練させる強度ヘッドに分解される。 本稿では, 強度信号を直接監視し, 信頼性・校正された不確実性推定を行う逆空洞自己校正目標を提案する。
  論文  参考訳（メタデータ） (2026-05-20T16:39:29Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Self-Monitoring Benefits from Structural Integration: Lessons from Metacognition in Continuous-Time Multi-Timescale Agents [0.11080037957254413]
  自己監視機能は、強化学習エージェントに有用な追加としてしばしば提案される。 しかし、実際に役に立ちますか? 本研究では,捕食者・捕食者生存環境下での連続的マルチタイムスケールエージェントにおけるこの問題について検討する。
  論文  参考訳（メタデータ） (2026-04-13T18:05:31Z)
• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• Uncertainty-Aware Online Extrinsic Calibration: A Conformal Prediction Approach [4.683612295430957]
  我々はモンテカルロ・ドロップアウトとコンフォーマル予測を組み合わせた不確実性認識をオンラインキャリブレーションに統合する最初のアプローチを提案する。 本研究では,様々な視覚センサの種類にまたがって有効性を示し,測定値を用いて測定を行い,間隔の効率と信頼性を評価する。 動的環境におけるセンサ融合の堅牢性を大幅に向上させることができるキャリブレーション推定の信頼性に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-01-12T17:24:51Z)
• Do We Still Need Non-Maximum Suppression? Accurate Confidence Estimates and Implicit Duplication Modeling with IoU-Aware Calibration [6.093524345727119]
  IoUキャリブレーションを用いることで,従来のNMSスタイルのポストプロセッシングを除去できることを示す。 IoU対応キャリブレーションは条件付きベータキャリブレーションである。 実験の結果,提案したIoUキャリブレーションは重複検出のモデル化に成功していることがわかった。
  論文  参考訳（メタデータ） (2023-09-06T15:47:33Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)

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。