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

Trust Your Robots! Predictive Uncertainty Estimation of Neural Networks with Sparse Gaussian Processes

Lee, Jongseok und Feng, Jianxiang und Humt, Matthias und Müller, Marcus Gerhard und Triebel, Rudolph (2021) Trust Your Robots! Predictive Uncertainty Estimation of Neural Networks with Sparse Gaussian Processes. In: 5th Conference on Robot Learning, CoRL 2021. Proceedings of Machine Learning Research (PMLR). 5th Conference on Robot Learning (CoRL), 2021-11-08 - 2021-11-11, London, United Kingdon. ISSN 2640-3498.

[img] PDF
2MB

Kurzfassung

This paper presents a probabilistic framework to obtain both reliable and fast uncertainty estimates for predictions with Deep Neural Networks (DNNs). Our main contribution is a practical and principled combination of DNNs with sparse Gaussian Processes (GPs). We prove theoretically that DNNs can be seen as a special case of sparse GPs, namely mixtures of GP experts (MoE-GP), and we devise a learning algorithm that brings the derived theory into practice. In experiments from two different robotic tasks – inverse dynamics of a manipulator and object detection on a micro-aerial vehicle (MAV) – we show the effectiveness of our approach in terms of predictive uncertainty, proved scalability, and runtime efficiency on a Jetson TX2. We thus argue that our approach can pave the way towards reliable and fast robot learning systems with uncertainty wareness.

elib-URL des Eintrags:https://elib.dlr.de/145805/
Dokumentart:Konferenzbeitrag (Poster)
Titel:Trust Your Robots! Predictive Uncertainty Estimation of Neural Networks with Sparse Gaussian Processes
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Lee, JongseokJongseok.Lee (at) dlr.dehttps://orcid.org/0000-0002-0960-0809NICHT SPEZIFIZIERT
Feng, JianxiangJianxiang.Feng (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Humt, MatthiasMatthias.Humt (at) dlr.dehttps://orcid.org/0000-0002-1523-9335NICHT SPEZIFIZIERT
Müller, Marcus GerhardMarcus.Mueller (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Triebel, RudolphRudolph.Triebel (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:8 November 2021
Erschienen in:5th Conference on Robot Learning, CoRL 2021
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
Herausgeber:
HerausgeberInstitution und/oder E-Mail-Adresse der HerausgeberHerausgeber-ORCID-iDORCID Put Code
Neil, Lawrencendl21 (at) cam.ac.ukNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Reid, Markmark (at) reid.nameNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Verlag:Proceedings of Machine Learning Research (PMLR)
ISSN:2640-3498
Status:veröffentlicht
Stichwörter:Robotic Introspection, Bayesian Deep Learning, Gaussian Processes
Veranstaltungstitel:5th Conference on Robot Learning (CoRL)
Veranstaltungsort:London, United Kingdon
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:8 November 2021
Veranstaltungsende:11 November 2021
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Robotik
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R RO - Robotik
DLR - Teilgebiet (Projekt, Vorhaben):R - Erklärbare Robotische KI, R - Intelligente Mobilität (RM) [RO]
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Robotik und Mechatronik (ab 2013)
Institut für Robotik und Mechatronik (ab 2013) > Perzeption und Kognition
Hinterlegt von: Lee, Jongseok
Hinterlegt am:19 Nov 2021 08:58
Letzte Änderung:19 Jul 2024 09:30

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.