DADEE：基于屏障的机器人安全中的神经网络良好校准不确定性量化
机器人学
2024-07-02 v1 机器学习
系统与控制
系统与控制
摘要
对于安全关键应用而言，能够保证安全的不确定性感知控制器至关重要。在此类控制器中，基于控制屏障函数（CBF）的方法备受青睐，因为它们快速且安全。然而，大多数研究依赖于高斯过程（GP）或MC-Dropout进行学习和不确定性估计，两者都存在局限性：GP是慢的非参数方法，而MC-Dropout无法捕获Aleatoric不确定性。另一方面，现代贝叶斯学习方法在不确定性量化方面显示出前景。尚未将现代贝叶斯学习方法应用于CBF-based控制器。我们旨在填补这一空白，通过调查不确定性量化算法并在CBF-based安全控制器上进行评估。我们发现，基于模型方差的方法（例如深度集成、MC-Dropout等）与基于直接估计的方法（如DEUP）具有互补的优势。前者类别的方法仅能准确估计域外不确定性，而后者类别的方法仅能在域内估计不确定性。我们将两种方法结合，以获得在域内和域外更准确的不确定性估计。根据仿真机器人故障率的测量结果，本方法可实现更安全的CBF-based机器人控制器。
引用
@article{arxiv.2407.00616,
title = {DADEE: Well-calibrated uncertainty quantification in neural networks for barriers-based robot safety},
author = {Masoud Ataei and Vikas Dhiman},
journal= {arXiv preprint arXiv:2407.00616},
year = {2024}
}