STARNet：基于近似似然遗憾的传感器可信度与异常识别以实现鲁棒边缘自主
机器人学
2023-09-21 v1 计算机视觉与模式识别
摘要
诸如 LiDAR、RADAR 与事件相机等复杂传感器已在自主机器人中普及，以增强对环境的感知与理解。同时，这些传感器也易受多样失效机制影响，后者可与其运行环境复杂交互。此外，复杂传感器训练数据的有限可用性也影响了基于深度学习的预测流程的可靠性，其预测模型可能无法泛化至训练集中未充分覆盖的环境。为解决这些可靠性问题，本文引入 STARNet，一种传感器可信度与异常识别网络，旨在检测可能源于传感器故障和/或严苛环境的不可信传感器数据流。我们特别在 LiDAR 与相机数据上基准测试 STARNet。STARNet 采用近似似然遗憾概念，一种面向低复杂度硬件（尤其仅具定点精度能力的硬件）的无梯度框架。通过大量仿真，我们展示了 STARNet 在单模态与多模态设置下检测不可信传感器数据流的有效性。该网络尤其在应对内部传感器故障（如跨传感器干扰与串扰）方面表现优越。在涉及恶劣天气与传感器故障的多样测试场景中，我们表明 STARNet 通过滤除不可信传感器数据流将预测精度提升约 10%。STARNet 公开于 \url{https://github.com/sinatayebati/STARNet}。
引用
@article{arxiv.2309.11006,
title = {STARNet: Sensor Trustworthiness and Anomaly Recognition via Approximated Likelihood Regret for Robust Edge Autonomy},
author = {Nastaran Darabi and Sina Tayebati and Sureshkumar S. and Sathya Ravi and Theja Tulabandhula and Amit R. Trivedi},
journal= {arXiv preprint arXiv:2309.11006},
year = {2023}
}