elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Bayesian Optimization Meets Laplace Approximation for Robotic Introspection

Humt, Matthias und Lee, Jongseok und Triebel, Rudolph (2020) Bayesian Optimization Meets Laplace Approximation for Robotic Introspection. In: 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS 2020. IROS 2020 Long-Term Autonomy Workshop, 2020-10-25 - 2020-11-25, Las Vegas, USA (online). ISBN 978-172816212-6. ISSN 2153-0858.

[img] PDF
1MB

Offizielle URL: https://drive.google.com/file/d/1E9D8-bg-K_CIC2rlMyZg0si1zaozRfiO/view

Kurzfassung

In robotics, deep learning (DL) methods are used more and more widely, but their general inability to provide reliable confidence estimates will ultimately lead to fragile and unreliable systems. This impedes the potential deployments of DL methods for long-term autonomy. Therefore, in this paper we introduce a scalable Laplace Approximation (LA) technique to make Deep Neural Networks (DNNs) more introspective, i.e. to enable them to provide accurate assessments of their failure probability for unseen test data. In particular, we propose a novel Bayesian Optimization (BO) algorithm to mitigate their tendency of under-fitting the true weight posterior, so that both the calibration and the accuracy of the predictions can be simultaneously optimized. We demonstrate empirically that the proposed BO approach requires fewer iterations for this when compared to random search, and we show that the proposed framework can be scaled up to large datasets and architectures.

elib-URL des Eintrags:https://elib.dlr.de/137021/
Dokumentart:Konferenzbeitrag (Anderer)
Titel:Bayesian Optimization Meets Laplace Approximation for Robotic Introspection
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Humt, MatthiasMatthias.Humt (at) dlr.dehttps://orcid.org/0000-0002-1523-9335NICHT SPEZIFIZIERT
Lee, JongseokJongseok.Lee (at) dlr.dehttps://orcid.org/0000-0002-0960-0809NICHT SPEZIFIZIERT
Triebel, RudolphRudolph.Triebel (at) dlr.dehttps://orcid.org/0000-0002-7975-036XNICHT SPEZIFIZIERT
Datum:25 Oktober 2020
Erschienen in:2020 IEEE/RSJ International Conference on Intelligent Robots and Systems, IROS 2020
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
ISSN:2153-0858
ISBN:978-172816212-6
Status:veröffentlicht
Stichwörter:Bayesian Optimization, Robotics, Deep Learning, Introspection, Bayesian Neural Networks, Laplace Approximation
Veranstaltungstitel:IROS 2020 Long-Term Autonomy Workshop
Veranstaltungsort:Las Vegas, USA (online)
Veranstaltungsart:Workshop
Veranstaltungsbeginn:25 Oktober 2020
Veranstaltungsende:25 November 2020
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Technik für Raumfahrtsysteme
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R SY - Technik für Raumfahrtsysteme
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben Multisensorielle Weltmodellierung (alt), R - Multisensorielle Weltmodellierung (RM) [RO]
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Robotik und Mechatronik (ab 2013) > Perzeption und Kognition
Hinterlegt von: Humt, Matthias
Hinterlegt am:04 Nov 2020 18:15
Letzte Änderung:24 Apr 2024 20:39

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.