Probabilistic Uncertainty Quantification of Prediction Models with Application to Visual Localization

要約

予測モデル (ニューラル ネットワークなど) の不確実性の定量化は、多くのロボット工学アプリケーションでの採用に不可欠です。
これは、特に自動運転車などの安全性が重要なアプリケーションにとって、正確な予測を行うことと同じくらい重要であると言えます。
この論文では、画像から位置を予測する、自動運転の視覚的位置特定のコンテキストにおける不確実性の定量化へのアプローチを提案します。
私たちが提案するフレームワークは、予測モデルの内部出力を不確実性にマッピングするセンサー エラー モデルを作成することで、確率的な不確実性を推定します。
センサー エラー モデルは、視覚的位置特定の複数の画像データベースを使用して作成され、それぞれにグラウンド トゥルースの位置が含まれます。
Ithaca365 データセットを使用して、不確実性予測フレームワークの精度を実証します。これには、照明、天候 (晴れ、雪、夜) の変動、データベース間の位置合わせ誤差が含まれます。
予測された不確実性と、カルマンベースの位置特定フィルターへのその不確実性の組み込みの両方を分析します。
私たちの結果は、天候や照明条件が悪いと予測誤差の変動が増加し、不確実性と外れ値が増大することを示しており、これは私たちが提案した不確実性モデルによって予測できます。
さらに、確率的誤差モデルにより、不確実性によりモデルが入力データに合わせて自動的に調整されるため、フィルターはアドホック センサー ゲートを削除できます。

要約(オリジナル)

The uncertainty quantification of prediction models (e.g., neural networks) is crucial for their adoption in many robotics applications. This is arguably as important as making accurate predictions, especially for safety-critical applications such as self-driving cars. This paper proposes our approach to uncertainty quantification in the context of visual localization for autonomous driving, where we predict locations from images. Our proposed framework estimates probabilistic uncertainty by creating a sensor error model that maps an internal output of the prediction model to the uncertainty. The sensor error model is created using multiple image databases of visual localization, each with ground-truth location. We demonstrate the accuracy of our uncertainty prediction framework using the Ithaca365 dataset, which includes variations in lighting, weather (sunny, snowy, night), and alignment errors between databases. We analyze both the predicted uncertainty and its incorporation into a Kalman-based localization filter. Our results show that prediction error variations increase with poor weather and lighting condition, leading to greater uncertainty and outliers, which can be predicted by our proposed uncertainty model. Additionally, our probabilistic error model enables the filter to remove ad hoc sensor gating, as the uncertainty automatically adjusts the model to the input data

arxiv情報

提供元, 利用サービス

arxiv.jp, Google