Quantifying Aleatoric and Epistemic Dynamics Uncertainty via Local Conformal Calibration

要約

学習、シミュレーション、分析のいずれであっても、新しい環境に遭遇すると、ロボットのダイナミクスの近似が不正確になる可能性があります。
このような手法の偶然の不確実性、つまり確率論に起因する不確実性を定量化するために多くのアプローチが提案されていますが、これらの推定だけでは、実際のダイナミクスが変化する可能性がある新しい環境でモデルの不確実性を適切に推定するには十分ではありません。
このような変化は認識論的な不確実性、つまり情報/データの欠如による不確実性を引き起こす可能性があります。
理論に基づいた方法で認識論的な力学と偶然の力学の両方の不確実性を説明することは、未解決の問題のままです。
我々は、システムの状態の確率的に有効な予測領域を生成するために、ダイナミクス モデルによって提供される偶然の不確実性推定を校正する、等角予測ベースのアプローチである局所不確実性等角キャリブレーション (LUCCa) を導入します。
私たちは、真のダイナミクスの形やそれがどのように変化するかについて強い仮定をせずに、認識論的不確実性と偶発的不確実性の両方を非漸近的に説明します。
キャリブレーションは状態アクション空間でローカルに実行され、計画に役立つ不確実性の推定につながります。
ダイナミクスの大幅な変化の下で二重積分器の確率的に安全な計画を構築することによって、私たちの方法を検証します。

要約(オリジナル)

Whether learned, simulated, or analytical, approximations of a robot’s dynamics can be inaccurate when encountering novel environments. Many approaches have been proposed to quantify the aleatoric uncertainty of such methods, i.e. uncertainty resulting from stochasticity, however these estimates alone are not enough to properly estimate the uncertainty of a model in a novel environment, where the actual dynamics can change. Such changes can induce epistemic uncertainty, i.e. uncertainty due to a lack of information/data. Accounting for both epistemic and aleatoric dynamics uncertainty in a theoretically-grounded way remains an open problem. We introduce Local Uncertainty Conformal Calibration (LUCCa), a conformal prediction-based approach that calibrates the aleatoric uncertainty estimates provided by dynamics models to generate probabilistically-valid prediction regions of the system’s state. We account for both epistemic and aleatoric uncertainty non-asymptotically, without strong assumptions about the form of the true dynamics or how it changes. The calibration is performed locally in the state-action space, leading to uncertainty estimates that are useful for planning. We validate our method by constructing probabilistically-safe plans for a double-integrator under significant changes in dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google