基于领域信息高斯过程状态空间模型的分布外检测
机器人学
2023-09-19 v2 机器学习
摘要
为了让机器人能够利用基于学习的方法在未知场景中安全导航,在线准确检测训练分布外(OoD)情况十分重要。近来,高斯过程状态空间模型(GPSSM)已被证明可通过将意外观测与概率预测进行比较来判别异常观测。然而,模型正确区分训练分布内与分布外观测的能力取决于这些预测的准确性,而预测准确性主要受 GPSSM 核所能表示的函数类影响。本文中,我们提出(i)一种将已有领域知识嵌入核中的新方法,以及(ii)一种基于滚动时域预测的分布外在线运行时监测器。领域知识以数据集形式提供,该数据集可在仿真中收集或通过使用标称模型获得。数值结果表明,与标准核选择相比,信息核在更小数据集下取得了更好的回归质量。我们在室内环境中导航的真实四足机器人上展示了该 OoD 监测器的有效性,其可可靠地对先前未见的地形进行分类。
引用
@article{arxiv.2309.06655,
title = {Out of Distribution Detection via Domain-Informed Gaussian Process State Space Models},
author = {Alonso Marco and Elias Morley and Claire J. Tomlin},
journal= {arXiv preprint arXiv:2309.06655},
year = {2023}
}
备注
7 pages, 4 figures