Deep Modeling of Non-Gaussian Aleatoric Uncertainty

要約

ディープラーニングは、特に不確実性の分布が固定およびガウス分布であるという従来の仮定に従わない場合に、ロボット推定システムにおける偶然の不確実性を正確にモデル化する有望な新しい方法を提供します。
この研究では、非ガウスの偶然性の不確実性を定量化するための条件付き確率密度モデリングのための 3 つの基本的な深層学習アプローチ (パラメトリック モデリング、離散化モデリング、および生成モデリング) を定式化して評価します。
私たちは、シミュレートされた非ガウス密度および現実世界の地形相対ナビゲーション データに関して、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、これらの深層学習手法が複雑な不確実性パターンを正確に捕捉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向上させ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 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