Deep Modeling of Non-Gaussian Aleatoric Uncertainty

要約

ディープラーニングは、特に不確実性分布が固定およびガウスの伝統的な仮定に適合しない場合、ロボット状態推定システムのアレアトリックの不確実性を正確にモデル化するための有望な新しい方法を提供します。
この研究では、条件付き確率密度モデリングのための3つの基本的な深い学習アプローチを策定および評価して、非ガウスのアレアティックの不確実性を定量化します：パラメトリック、離散化、および生成モデリング。
シミュレートされた非ガウス密度と、現実世界の地形関連ナビゲーションデータに関するこれら3つの方法のそれぞれの長所と短所を体系的に比較します。
私たちの結果は、これらの深い学習方法が複雑な不確実性パターンを正確にキャプチャできることを示しており、推定システムの信頼性と堅牢性を改善する可能性を強調しています。

要約(オリジナル)

Deep learning offers promising new ways to accurately model aleatoric uncertainty in robotic state estimation systems, particularly when the uncertainty distributions do not conform to traditional assumptions of being fixed and Gaussian. In this study, we formulate and evaluate three fundamental deep learning approaches for conditional probability density modeling to quantify non-Gaussian aleatoric uncertainty: parametric, discretized, and generative modeling. We systematically compare the respective strengths and weaknesses of these three methods on simulated non-Gaussian densities as well as on real-world terrain-relative navigation data. Our results show that these deep learning methods can accurately capture complex uncertainty patterns, highlighting their potential for improving the reliability and robustness of estimation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google