基于专利感知数据的空间探索机器人 terrain 分类与不确定性增强
机器人学
2024-07-04 v1 机器学习
摘要
terrain 分类是空间探索中的关键任务，由于仅依赖外感知传感器（如视觉）难以观察不可预测的环境。实现神经网络分类器可实现高性能，但因缺乏透明度而被视为不可信，使得在任务规划中采取高风险决策不可靠。我们通过提出具备不确定性量化的神经网络来解决此问题，以实现可信的 terrain 分类。我们使用蒙特卡罗 Dropout、DropConnect 和 Flipout，使能够处理时序数据架构的神经网络仅使用专利感知数据作为输入。我们使用贝叶斯优化配合 Hyperband 进行高效的超参数优化，以找到可信的 terrain 分类最佳模型。
引用
@article{arxiv.2407.03241,
title = {Terrain Classification Enhanced with Uncertainty for Space Exploration Robots from Proprioceptive Data},
author = {Mariela De Lucas Álvarez and Jichen Guo and Raul Domínguez and Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:2407.03241},
year = {2024}
}
备注
6 pages, 4 figures. LatinX in AI Workshop @ ICML 2023 Camera Ready