基于语义图像的动力学不确定性局部保守校准

我们提出了观察依赖保守不确定性局部校准方法（Observation-aware Conformal Uncertainty Local-Calibration, OCULAR），这是一种基于保守预测的算法，利用感知信息为未见测试环境提供不确定性量化保证。虽然以往的保守方法缺乏区分导致模型不匹配程度高低的状态-动作空间区域的能力，并且需要环境特定数据，但本方法利用来自视觉相似环境收集的数据，即可为任意保真度的线性高斯动力学模型提供可证明的校准。OCULAR生成的预测区域保证在至少用户设定的概率下包含未来系统状态，尽管存在偶然不确定性和认识论不确定性——即来自随机扰动和数据不足的不确定性。我们的保证为非渐近且分布自由的，不要求对未知真实系统动力学作出强假设。我们的校准程序使我们能够区分观察-速度-动作输入导致的下一状态不确定性高低，这对概率安全规划有帮助。我们在受随机扰动和显著模型不匹配的双积分系统上进行数值验证，分别使用简化传感器和更真实的模拟相机。我们的做法在分布内和分布外情况下的不确定性量化都表现良好，相较于需要环境特定数据的基线方法具有更好的体积效率。