通过局部保形校准量化偶然与认知动力学不确定性

无论是学习、模拟还是解析方法，机器人在遇到新环境时，其动力学近似都可能不准确。已有许多方法被提出用于量化此类方法的偶然不确定性，即由随机性产生的不确定性，然而，在实际动力学可能发生变化的新环境中，仅靠这些估计不足以正确估计模型的不确定性。这种变化会引发认知不确定性，即由于缺乏信息/数据而产生的不确定性。以理论上有依据的方式同时考虑认知和偶然动力学不确定性仍是一个开放问题。我们引入了局部不确定性保形校准（LUCCa），这是一种基于保形预测的方法，用于校准动力学模型提供的偶然不确定性估计，以生成系统状态的概率有效预测区域。我们非渐近地同时考虑了认知不确定性和偶然不确定性，且不对真实动力学的形式或其变化方式做出强假设。校准在状态-动作空间中局部进行，从而产生对规划有用不确定性估计。我们通过在动力学发生显著变化时为双积分器构建概率安全规划来验证我们的方法。