利用不确定性量化预测自动驾驶系统中的安全不当行为
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
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
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。
Sep, 2019
本研究比较了多种机器学习技术的 UQ 准确性,并对两个模型(船只在波浪中的运动和 Majda-McLaughlin-Tabak 模型)进行了应用。
Jun, 2023
这篇论文介绍了一种用于预测不确定性量化的基准测试方法,通过评估不同方法在三个流行数据集上对于识别被错分和不适当类别像素、以及校准的有效性,发现证据深度学习方法在高效量化不确定性方面表现最有潜力,提出了适用于高度不平衡数据的 Uncertainty-Focal-Cross-Entropy (UFCE) 损失函数,以及增强模型对高不确定性像素关注的缺空缩放规则项能够提高确定性不确定性量化。
May, 2024
本文研究比较了在一个物理系统的背景下,深度学习算法的不确定性量化方法,包括贝叶斯神经网络,Concrete Dropout 和 Deep Ensembles,并探讨了它们的优缺点,结果为使用和解释不确定性量化方法提出了一些建议。
Apr, 2020
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
本研究评估了三种不确定性量化方法,即深度集成,MC-Dropout 和 MC-DropConnect 在 DarkNet21Seg 3D 语义分割模型上的影响,并全面分析了各种参数对任务性能和不确定性估计质量的影响。研究发现,深度集成的表现在性能和不确定性度量方面优于其他方法,mIOU 提高了 2.4%,准确度提高了 1.3%,并提供可靠的不确定性来做出决策。
Jul, 2020
深度学习模型对交通预测的强大预测性能使其得到广泛应用,但缺乏可解释性限制了其在实际智能交通系统中的部署。通过使用不确定性量化方法,我们调查了这些方法在跨多个城市和时间段的大规模基于图像的交通数据集上的应用,以获得对现有不确定性方法在交通预测中的实用性以及不确定性与城市交通动态之间的关系的全面认识。在在时间和时空转移任务上比较了两种认知不确定性方法和两种他稳不确定性方法后,我们发现可以恢复有意义的不确定性估计。此外,我们进一步演示了如何利用不确定性估计来检测城市交通动态变化中的无监督异常点。通过对莫斯科市的代表性案例研究,我们发现我们的方法能够捕捉到交通行为的时间和空间效应。我们的工作是在交通预测任务中推动不确定性意识的进一步发展,并旨在突出不确定性量化方法对于更好理解城市交通动态的价值贡献。
Aug, 2023