贝叶斯优化结合拉普拉斯近似实现机器人自省
机器人学
2020-11-02 v1 计算机视觉与模式识别
机器学习
摘要
在机器人领域，深度学习方法的应用日益广泛，但其普遍无法提供可靠的置信度估计，最终将导致系统脆弱且不可靠。这阻碍了深度学习方法在长期自主运行中的潜在部署。因此，本文引入一种可扩展的拉普拉斯近似（LA）技术，使深度神经网络（DNNs）更具自省能力，即能够针对未见测试数据准确评估其失败概率。具体而言，我们提出一种新颖的贝叶斯优化（BO）算法，以缓解其对真实权重后验欠拟合的倾向，从而同时优化预测的校准性与准确性。我们通过实验证明，与随机搜索相比，所提出的BO方法所需迭代次数更少，并表明该框架可扩展至大型数据集与网络架构。
引用
@article{arxiv.2010.16141,
title = {Bayesian Optimization Meets Laplace Approximation for Robotic Introspection},
author = {Matthias Humt and Jongseok Lee and Rudolph Triebel},
journal= {arXiv preprint arXiv:2010.16141},
year = {2020}
}
备注
Accepted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2020 Long-Term Autonomy Workshop