用于机器人学习中分布外检测的拓扑匹配归一化流
机器人学
2023-11-14 v1 机器学习
摘要
为促进自主机器人在真实世界中的可靠部署，通常需要分布外（OOD）检测能力。一种强大的 OOD 检测方法基于归一化流（NFs）的密度估计。然而，我们发现先前使用 NFs 的工作试图用朴素基分布从拓扑上匹配复杂目标分布，从而带来不利影响。在这项工作中，我们使用一个具有表现力的类条件基分布来规避这种拓扑不匹配，该基分布通过信息论目标进行训练以匹配所需拓扑。所提方法具有与现有学习模型广泛兼容的优点，且不会造成性能下降和最小计算开销，同时增强了 OOD 检测能力。我们在密度估计和 2D 目标检测基准上展示了优于大量基线的结果。此外，我们展示了该方法在真实机器人部署中的适用性。
引用
@article{arxiv.2311.06481,
title = {Topology-Matching Normalizing Flows for Out-of-Distribution Detection in Robot Learning},
author = {Jianxiang Feng and Jongseok Lee and Simon Geisler and Stephan Gunnemann and Rudolph Triebel},
journal= {arXiv preprint arXiv:2311.06481},
year = {2023}
}
备注
Accepted on CoRL2023