预测模型的概率不确定性量化及其在视觉定位中的应用
机器人学
2024-04-09 v2
摘要
预测模型（例如神经网络）的不确定性量化对于其在众多机器人应用中的采用至关重要。这可以说与做出准确预测同等重要，尤其是对于自动驾驶汽车等安全关键应用。本文提出了我们在自动驾驶视觉定位背景下进行不确定性量化的方法，即从图像预测位置。我们提出的框架通过建立一个传感器误差模型来估计概率不确定性，该模型将预测模型的内部输出映射到不确定性。传感器误差模型使用多个视觉定位图像数据库创建，每个数据库均带有真实位置。我们使用 Ithaca365 数据集证明了我们不确定性预测框架的准确性，该数据集包含光照、天气（晴天、雪天、夜间）以及数据库间对齐误差的变化。我们分析了预测的不确定性及其在基于 Kalman 的定位滤波器中的融合。我们的结果表明，预测误差变化随恶劣天气和光照条件而增加，导致更大的不确定性和离群值，而这可由我们提出的不确定性模型预测。此外，我们的概率误差模型使滤波器能够去除临时性的传感器门控，因为不确定性会自动使模型适应输入数据。
引用
@article{arxiv.2305.20044,
title = {Probabilistic Uncertainty Quantification of Prediction Models with Application to Visual Localization},
author = {Junan Chen and Josephine Monica and Wei-Lun Chao and Mark Campbell},
journal= {arXiv preprint arXiv:2305.20044},
year = {2024}
}
备注
Extended version of our ICRA2023 paper