Quantification of Uncertainties in Deep Learning-based Environment Perception

要約

本作品では、レーダースキャンに基づく車両の環境を、その予測の不確実性を考慮しながら知覚する、新しいDeep Learningベースの手法を紹介する。ホスト車両の環境は、等しい大きさのグリッドセルに分割され、個別に分類される。セグメンテーションの出力を補完するために、我々の深層学習ベースのアルゴリズムは、予測における不確実性を、不適切なモデル（エピステミックな不確実性）またはノイズの多いデータ（アレータリックな不確実性）に関連しているものとして区別することができる。このため、モデルパラメータの不確実性を考慮した確率分布として重みが記述される。分布は勾配降下法を用いて教師付きで学習される。我々は、モデル出力の不確実性が予測精度と相関することを証明する。従来の概念と比較して、本アプローチが車両の環境を確実に認識できる優れた性能を持つことを示す。

要約(オリジナル)

In this work, we introduce a novel Deep Learning-based method to perceive the environment of a vehicle based on radar scans while accounting for uncertainties in its predictions. The environment of the host vehicle is segmented into equally sized grid cells which are classified individually. Complementary to the segmentation output, our Deep Learning-based algorithm is capable of differentiating uncertainties in its predictions as being related to an inadequate model (epistemic uncertainty) or noisy data (aleatoric uncertainty). To this end, weights are described as probability distributions accounting for uncertainties in the model parameters. Distributions are learned in a supervised fashion using gradient descent. We prove that uncertainties in the model output correlate with the precision of its predictions. Compared to previous concepts, we show superior performance of our approach to reliably perceive the environment of a vehicle.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL