抽象的

当观测结果类似于训练数据时，深度学习为机器感知提供了强大的工具。但是，即使在意外情况下，现实世界的机器人系统也必须对其观察结果有明智的反应。这需要一个系统来推理其自身的不确定性，并且鉴于陌生的，分布的观察结果。近似贝叶斯的方法通常用于估计神经网络预测的不确定性，但可能会与分布外观察斗争。生成模型原则上可以检测到估计密度较低的模型。但是，仅出现分布的输入本身并没有表明不安全的情况。在本文中，我们提出了一种不确定性意识的机器人感知的方法，该方法结合了生成建模和模型不确定性，以应对分布态的不确定性。我们的方法估计了对模型预测的不确定性度量，考虑到观察分布的明确（生成）模型，以处理分布外输入。这是通过将观测值投射到训练分布上来实现的，使得分布输入映射以不确定分发观测值，这又产生与任务相关的不确定的预测，但只有在图像更改的任务中与任务相关的部分。我们通过模拟和真实数据评估我们的方法，以动作条件的碰撞预测任务，并证明我们预测分布外观测的方法可改善四种标准贝叶斯和非贝叶斯神经网络方法的性能，从而更有利 trade-offs between the proportion of time a robot can remain autonomous and the proportion of impending crashes successfully avoided.

作者

罗恩·麦卡利斯特（Rowan McAllister），格雷戈里·卡恩（Gregory Kahn），杰夫·克莱恩（Jeff Clune），谢尔盖·莱文（Sergey Levine）

会议

ICRA 2019

完整的纸

“通过Tastaware生成不确定性对分布的稳健性”（PDF）

Uber AI