通过引入输入不确定性提升深度神经网络在飞行导航中的鲁棒性
机器人学
2021-11-02 v2
摘要
在包含深度学习（DL）组件的自主系统中，需要不确定性量化方法来评估其估计的置信度。然而，要在安全关键的自主系统中成功部署DL组件，它们不仅应处理DL组件输出的不确定性，还应处理输入的不确定性。在输入中考虑概率分布能够使得不确定性通过不同组件传播，从而提供对系统整体不确定性的代表性度量。在本立场论文中，我们提出一种针对飞行导航的贝叶斯深度学习控制策略在输入处考虑不确定性的方法。我们的早期实验表明，所提方法提升了导航策略在分布外（OoD）场景中的鲁棒性。
引用
@article{arxiv.2110.13729,
title = {Improving Robustness of Deep Neural Networks for Aerial Navigation by Incorporating Input Uncertainty},
author = {Fabio Arnez and Huascar Espinoza and Ansgar Radermacher and François Terrier},
journal= {arXiv preprint arXiv:2110.13729},
year = {2021}
}
备注
Accepted at the Fourth International Workshop on Artificial Intelligence Safety Engineering, WAISE 2021