Perceive With Confidence: Statistical Safety Assurances for Navigation with Learning-Based Perception

要約

認識の急速な進歩により、事前にトレーニングされた大規模なモデルをそのまま使用して、世界の高次元でノイズの多い部分的な観察を処理して、豊富な幾何学的表現 (占有予測など) を生成できるようになりました。
しかし、不慣れな環境では信頼性の高いパフォーマンスが得られないため、これらのモデルをロボットに安全に統合することは依然として困難です。
この研究では、ナビゲーションにエンドツーエンドの統計的安全性保証を提供するために、占有予測用の事前トレーニング済み知覚モデルの不確実性を厳密に定量化するためのフレームワークを紹介します。
私たちは、知覚出力がプランナーと組み合わせて使用​​されるときに、新しい環境への一般化と状態の分布シフトに対するロバスト性を確保しながら、事前トレーニングされたモデルの出力を軽く処理する、調整された知覚システムを生成するための等角予測の技術を構築します。
校正済みのシステムを任意の安全プランナーと組み合わせて使用​​すると、ユーザー指定のしきい値 $1-\epsilon$ を使用して、新しい環境における安全性に関するエンドツーエンドの統計的保証を提供できます。
私たちは、その結果得られたアプローチ (Perceive with Confidence (PwC) と呼んでいます) を、トレーニングやキャリブレーション中に目に見えない物体を含む屋内環境内を四足ロボットが移動するシミュレーションおよびハードウェア上の実験で評価します。
これらの実験は、PwC が提供する安全性保証を検証し、ベースラインと比較して経験的安全率が大幅に向上していることを示しています。

要約(オリジナル)

Rapid advances in perception have enabled large pre-trained models to be used out of the box for processing high-dimensional, noisy, and partial observations of the world into rich geometric representations (e.g., occupancy predictions). However, safe integration of these models onto robots remains challenging due to a lack of reliable performance in unfamiliar environments. In this work, we present a framework for rigorously quantifying the uncertainty of pre-trained perception models for occupancy prediction in order to provide end-to-end statistical safety assurances for navigation. We build on techniques from conformal prediction for producing a calibrated perception system that lightly processes the outputs of a pre-trained model while ensuring generalization to novel environments and robustness to distribution shifts in states when perceptual outputs are used in conjunction with a planner. The calibrated system can be used in combination with any safe planner to provide an end-to-end statistical assurance on safety in a new environment with a user-specified threshold $1-\epsilon$. We evaluate the resulting approach – which we refer to as Perceive with Confidence (PwC) – with experiments in simulation and on hardware where a quadruped robot navigates through indoor environments containing objects unseen during training or calibration. These experiments validate the safety assurances provided by PwC and demonstrate significant improvements in empirical safety rates compared to baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google