Perceive With Confidence: Statistical Safety Assurances for Navigation with Learning-Based Perception

要約

認識の急速な進歩により、事前にトレーニングされた大規模なモデルをそのまま使用して、世界の高次元でノイズの多い部分的な観察を豊かな占有表現に変換できるようになりました。
ただし、これらのモデルの信頼性と、その結果としてロボットへの安全な統合は、トレーニング中に目に見えない環境に展開された場合には不明のままです。
この研究では、等角予測に基づく新しいキャリブレーション手法を介して、物体検出用の事前トレーニング済み知覚システムの不確実性を厳密に定量化することで、この課題に取り組みます。
重要なことは、この手順は、知覚出力がプランナーと組み合わせて使用​​される場合に、状態の分布シフトに対する堅牢性を保証することです。
その結果、校正された知覚システムを任意の安全プランナーと組み合わせて使用​​して、目に見えない環境における安全性についてエンドツーエンドの統計的保証を提供することができます。
その結果として得られたアプローチである Perceive with Confidence (PwC) をシミュレーションとハードウェア上で評価し、四足ロボットがこれまで見たことのない屋内の静的環境をナビゲートします。
これらの実験は、PwC が提供する障害物回避の安全保証を検証し、ベースラインと比較して経験的安全性が最大 $40\%$ 向上することを実証します。

要約(オリジナル)

Rapid advances in perception have enabled large pre-trained models to be used out of the box for transforming high-dimensional, noisy, and partial observations of the world into rich occupancy representations. However, the reliability of these models and consequently their safe integration onto robots remains unknown when deployed in environments unseen during training. In this work, we address this challenge by rigorously quantifying the uncertainty of pre-trained perception systems for object detection via a novel calibration technique based on conformal prediction. Crucially, this procedure guarantees robustness to distribution shifts in states when perceptual outputs are used in conjunction with a planner. As a result, the calibrated perception system can be used in combination with any safe planner to provide an end-to-end statistical assurance on safety in unseen environments. We evaluate the resulting approach, Perceive with Confidence (PwC), in simulation and on hardware where a quadruped robot navigates through previously unseen indoor, static environments. These experiments validate the safety assurances for obstacle avoidance provided by PwC and demonstrate up to $40\%$ improvements in empirical safety compared to baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google