Out of Distribution Detection via Domain-Informed Gaussian Process State Space Models

要約

学習ベースの方法を使用してロボットが目に見えないシナリオで安全に移動できるようにするには、オンラインでトレーニング配布外 (OoD) 状況を正確に検出することが重要です。
最近、ガウス過程状態空間モデル (GPSSM) が、確率的予測と比較することで予期せぬ観測を識別するのに役立つことが証明されました。
ただし、モデルがトレーニング中とトレーニング外の分布観測を正しく区別できるかどうかは、これらの予測の精度にかかっており、主に GPSSM カーネルが表現できる関数のクラスによって影響を受けます。
この論文では、(i) カーネルに既存のドメイン知識を埋め込む新しいアプローチ、および (ii) 後退地平線予測に基づく OoD オンライン ランタイム モニターを提案します。
ドメイン知識は、シミュレーションまたは公称モデルを使用して収集されたデータセットとして与えられると想定されます。
数値結果は、標準的なカーネルの選択と比較して、インフォームド カーネルがより小さなデータセットでより良い回帰品質をもたらすことを示しています。
私たちは、屋内環境をナビゲートする実際の四足歩行で、これまで見えなかった地形を確実に分類する OoD モニターの有効性を実証します。

要約(オリジナル)

In order for robots to safely navigate in unseen scenarios using learning-based methods, it is important to accurately detect out-of-training-distribution (OoD) situations online. Recently, Gaussian process state-space models (GPSSMs) have proven useful to discriminate unexpected observations by comparing them against probabilistic predictions. However, the capability for the model to correctly distinguish between in- and out-of-training distribution observations hinges on the accuracy of these predictions, primarily affected by the class of functions the GPSSM kernel can represent. In this paper, we propose (i) a novel approach to embed existing domain knowledge in the kernel and (ii) an OoD online runtime monitor, based on receding-horizon predictions. Domain knowledge is assumed given as a dataset collected either in simulation or using a nominal model. Numerical results show that the informed kernel yields better regression quality with smaller datasets, as compared to standard kernel choices. We demonstrate the effectiveness of the OoD monitor on a real quadruped navigating an indoor setting, which reliably classifies previously unseen terrains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google