Terrain Classification Enhanced with Uncertainty for Space Exploration Robots from Proprioceptive Data

要約

地形分類は、予測不可能な環境が存在する宇宙探査において、視覚のような外界からのセンサーだけでは観測が困難であり、必要不可欠なタスクである。ニューラルネットワークによる分類は高い性能を持つが、透明性に欠けるため信頼に値しないと判断される可能性があり、ミッション計画中の重大な決断を下すには信頼性に欠ける。我々は、地形分類における不確実性の定量化を伴うニューラルネットワークを提案することにより、この問題に対処する。モンテカルロドロップアウト、ドロップコネクト、フリップアウトを備えたニューラルネットワークを、固有知覚データのみを入力とする時系列対応アーキテクチャで実現する。ハイパーバンドを用いたベイジアン最適化を用いて、信頼できる地形分類のための最適モデルを見つけるためのハイパーパラメータの最適化を効率的に行う。

要約(オリジナル)

Terrain Classification is an essential task in space exploration, where unpredictable environments are difficult to observe using only exteroceptive sensors such as vision. Implementing Neural Network classifiers can have high performance but can be deemed untrustworthy as they lack transparency, which makes them unreliable for taking high-stakes decisions during mission planning. We address this by proposing Neural Networks with Uncertainty Quantification in Terrain Classification. We enable our Neural Networks with Monte Carlo Dropout, DropConnect, and Flipout in time series-capable architectures using only proprioceptive data as input. We use Bayesian Optimization with Hyperband for efficient hyperparameter optimization to find optimal models for trustworthy terrain classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL