PIETRA: Physics-Informed Evidential Learning for Traversing Out-of-Distribution Terrain

要約

自己教師あり学習は、オフロード ナビゲーション用の通過可能性モデルを開発するための強力なアプローチですが、これらのモデルは、トレーニング中に目に見えない入力に苦戦することがよくあります。
既存の手法では、証拠深層学習などの手法を利用してモデルの不確実性を定量化し、分布外の地形を特定して回避するのに役立ちます。
ただし、物理ベースのモデルを使用して新しい地形を効果的に分析できる場合など、分布外の地形を常に回避することは過度に保守的になる可能性があります。
この課題を克服するために、PIETRA (Physics-Informed Evidential Traversability) を導入します。これは、物理学の事前分布を証拠ニューラル ネットワークの数学的定式化に直接統合し、不確実性を認識した物理学に基づいたトレーニングを通じて物理学の知識を暗黙的に導入する自己教師あり学習フレームワークです。
損失。
私たちの証拠ネットワークは、分布外の入力に対する学習された予測と物理ベースの予測の間をシームレスに移行します。
さらに、物理情報に基づいた損失により学習されたモデルが正規化され、物理モデルとの整合性が向上します。
広範なシミュレーションとハードウェア実験により、PIETRA により、分布が大幅に変化した環境における学習精度とナビゲーション パフォーマンスの両方が向上することが実証されました。

要約(オリジナル)

Self-supervised learning is a powerful approach for developing traversability models for off-road navigation, but these models often struggle with inputs unseen during training. Existing methods utilize techniques like evidential deep learning to quantify model uncertainty, helping to identify and avoid out-of-distribution terrain. However, always avoiding out-of-distribution terrain can be overly conservative, e.g., when novel terrain can be effectively analyzed using a physics-based model. To overcome this challenge, we introduce Physics-Informed Evidential Traversability (PIETRA), a self-supervised learning framework that integrates physics priors directly into the mathematical formulation of evidential neural networks and introduces physics knowledge implicitly through an uncertainty-aware, physics-informed training loss. Our evidential network seamlessly transitions between learned and physics-based predictions for out-of-distribution inputs. Additionally, the physics-informed loss regularizes the learned model, ensuring better alignment with the physics model. Extensive simulations and hardware experiments demonstrate that PIETRA improves both learning accuracy and navigation performance in environments with significant distribution shifts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google