利用本体感知数据提升具有不确定性的空间探索机器人的地形分类
原文中文,约400字,阅读约需1分钟。发表于: 。在空间探索中,地形分类是一项重要任务,其中无法预测的环境难以仅依靠外部感知传感器(如视觉)进行观测。通过引入神经网络分类器,可以实现高性能,但由于缺乏透明性,这使得它们在任务规划中做出重要决策时不可靠。本文提出了一种带有不确定性量化的神经网络地形分类方法。我们通过在时间序列可用体系结构中使用只有本体感知数据作为输入的蒙特卡洛 Dropout、DropConnect 和...
本文介绍了一种带有不确定性量化的神经网络地形分类方法,通过引入神经网络分类器,使用蒙特卡洛 Dropout、DropConnect 和 Flipout等技术提高性能,同时使用超带状贝叶斯优化进行超参数优化,找到值得信赖的地形分类的最佳模型。