Sep, 2019

端到端自动驾驶控制的统计保证下的不确定性量化

PDF
TL;DR本论文提出了一种基于最先进的模拟器的框架，以评估端到端 Bayesian 控制器，实验评估了不同场景下用于避碰的不确定性计算的质量并表明不确定性估计可大大帮助自动驾驶车辆的决策。
deep neural network controllersautonomous drivinguncertaintybayesian neural networkscollision avoidance
发现论文，激发创造
  • 评估端到端自动驾驶控制中的不确定性量化

    本文讨论了 Deep Neural Networks 在自动驾驶领域中的应用，提出了一种实时提取不确定性量化度量的方法，并使用此方法预测了潜在的崩溃事件。

    Nov, 2018

  • 端到端控制的空间不确定性采样

    本文提出了一种利用特征映射相关性估计不确定性的贝叶斯神经网络用于端到端控制，该方法在传统元素级 dropout 方法上实现了更好的模型拟合和更紧密的不确定性估计。

    May, 2018

  • 自信驾驶的自动化人工智能控制器：具备不确定性知识的车辆转向

    在与真实世界进行接口的安全关键系统中，决策中的不确定性在机器学习模型中起着关键作用。本研究重点研发了一种使用机器学习框架的车辆横向控制系统，特别采用贝叶斯神经网络（BNN）来处理不确定性量化，该能力使我们能够评估模型预测的置信水平或不确定性。经过模拟数据训练的 BNN 控制器在单个轨道上测试以及其他各种轨道都表现出了适应和有效控制车辆的能力。通过建立置信阈值，我们可以触发手动干预，确保在算法操作超出安全参数范围时控制权可以被剥夺。

    Apr, 2024

  • 自主车应用深度学习部件不确定性估计方法比较

    本文研究了自主车辆在安全关键任务中使用神经网络时，面临的不可避免的误差问题，并给出了一些用于评估这种不确定性的方法和指标，比较了各种不确定性量化方法在特定 AV 任务和类型的优劣。

    Jun, 2020

  • 利用不确定性量化预测自动驾驶系统中的安全不当行为

    使用贝叶斯不确定性量化方法对深度学习领域的安全关键性行为进行评估，以实现在系统级仿真测试中对系统行为进行准确预测并提供及早的警告，研究发现深度集成方法能够有效并高效地检测并避免潜在的系统行为失控，为建立深度神经网络自主驾驶汽车的故障安全机制提供了可行的方法。

    Apr, 2024

  • 深度学习不确定性估计的通用框架

    提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

    Jul, 2019

  • 具有模型不确定性估计的安全强化学习

    使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

    Oct, 2018

  • DADEE: 神经网络中基于障碍物的机器人安全的良好校准的不确定性量化

    通过对不确定性计算的算法进行调研，并在基于 CBF 的安全控制器上进行评估，我们发现基于模型方差的算法和直接估计的算法具备互补的优点，并结合这两种方法，以获得更准确的不确定性估计，使得基于 CBF 的机器人控制器更安全。

    Jun, 2024

  • 深度学习的不确定性量化

    提供了深度学习的完整且具有统计一致性的不确定性量化，包括源自（1）新的输入数据，（2）训练和测试数据，（3）神经网络的权重向量和（4）神经网络本身的不确定性。

    May, 2024

  • 深度学习中的多元不确定性

    本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

    Oct, 2019