Моделирование и моделирование шума датчиков: повышение надежности сенсорных данных в автономных системах

Датчик шума представляет собой одну из самых критических проблем, стоящих перед автономными системами сегодня, непосредственно влияя на точность, надежность и безопасность транспортных средств, роботов, беспилотников и других интеллектуальных машин. Реальное развертывание сталкивается с возможностью надежно работать в условиях неопределенности, возникающих от шума датчиков, динамических агентов и неблагоприятных погодных условий. Понимание того, как точно моделировать и имитировать шум датчиков, имеет важное значение для разработки надежных алгоритмов, которые могут фильтровать, компенсировать и адаптироваться к этим неизбежным несовершенствам в данных датчиков. Это всеобъемлющее руководство исследует фундаментальные концепции, передовые методы и практические применения моделирования и моделирования шума датчиков в автономных системах.

Основы сенсорного шума в автономных системах

Шум датчика относится к случайным изменениям показаний датчиков, которые не соответствуют фактическим изменениям измеряемой среды.Неотъемлемый шум возникает в цепи датчика, одним из вкладов является шум теплового сопротивления (также называемый шумом Джонсона), который всегда присутствует в резистивных устройствах в качестве шума напряжения. Эти нежелательные изменения могут происходить из нескольких источников, включая электронные компоненты, условия окружающей среды, электромагнитные помехи и фундаментальную физику самого измерения.

Автономные транспортные средства функционируют как сложные системы принятия решений, используя потоки данных от нескольких бортовых датчиков, таких как камеры, радары, датчики обнаружения света и диапазона (LiDAR), ультразвуковые датчики и GPS-устройства для оценки и реагирования на их среду, причем эти данные датчиков обрабатываются в режиме реального времени встроенными вычислительными системами. Качество и надежность этих данных датчиков непосредственно определяет производительность и безопасность автономных операций.

Источники сенсорного шума

Источники шума акселерометра могут быть разбиты на электронный шум от схемы, которая преобразует движение в сигнал напряжения и механический шум от самого датчика, с несколькими источниками электронного шума, включая шум Джонсона, шум выстрела, шум мерцания и т. Д. Понимание этих источников имеет решающее значение для разработки эффективных моделей шума.

Электронный шум возникает из фундаментальной физики электрических цепей. Электронный шум создаёт фон для спектральной плотности напряжения, которая является репрезентативной по мощности шума, считающейся равной SV = 4kBTRΔf (в единицах вольт, квадрат на Герц), где kB — постоянная Больцмана, T — температура, R — общее сопротивление датчика, а Δf — полоса пропускания. Шум выстрела возникает из дискретной природы электрического заряда, в то время как мерцающий шум (также известный как 1/f шум) проявляет спектральную плотность мощности, обратно пропорциональную частоте.

Механический шум:] Механический шум датчика исходит от термомеханического шума и вибрационного шума окружающей среды, при этом термомеханический шум (или броуновский шум) происходит от того, что акселерометры MEMS состоят из небольших движущихся частей. Этот тип шума особенно актуален для инерциальных измерительных единиц (IMU) и других устройств, чувствительных к движению, широко используемых в автономных системах.

Факторы окружающей среды:] Наблюдаемое явление данных, встроенных в шум, вызвано рядом факторов, таких как электрические помехи и колебания температуры. Условия окружающей среды, включая влажность, изменения давления, электромагнитные поля и вибрации, могут способствовать шуму датчиков, что делает необходимым учитывать эти факторы в моделях шума.

Влияние сенсорного шума на автономные системы

Шум в данных датчиков оказывает существенное влияние на надежность и точность алгоритмов машинного обучения.В автономных системах шум датчиков может привести к нескольким критическим проблемам:

• Ошибки восприятия: Шумные данные датчика могут вызвать неправильное идентификацию объектов, неправильные измерения расстояния и ложные срабатывания или отрицательные эффекты в системах обнаружения объектов.
• Локализационный дрейф: Накопленный шум в датчиках GPS, IMU и одометрии может привести к тому, что автономные транспортные средства со временем потеряют отслеживание своего точного положения.
• Неопределенность принятия решений: Когда данные датчиков ненадежны, автономные системы могут принимать неоптимальные или опасные решения, особенно в критических ситуациях безопасности.
• Системная деградация: Автономные среды вождения по своей природе непредсказуемы, с аппаратными неисправностями, отсевом датчиков и сбоями связи, потенциально возникающими в любое время, что требует, чтобы вычислительный график для обработки датчиков продолжал работать или изящно ухудшался, если определенные узлы выходят из строя или предоставляют поврежденные данные.

Хотя достижения в области миниатюризации и коммерциализации позволили снизить затраты, полученные датчики обычно дают более шумные измерения по сравнению с их более дорогими аналогами, что требует дополнительного анализа шума для определения пределов производительности систем, в которых они используются. Это делает моделирование шума еще более важным, поскольку автономные системы все чаще принимают экономически эффективные решения для датчиков.

Комплексные методы моделирования шума датчика

Шумовое моделирование — это процесс определения функциональной формы и набора значений параметров, которые представляют собой источник шума, при этом стандартными инструментами для этой задачи являются дифференциальные уравнения (обычные, а также стохастические).Существует несколько сложных подходов для моделирования шума датчиков, каждый из которых имеет конкретные приложения и преимущества.

Статистические шумовые модели

Статистические модели представляют собой наиболее распространенный подход к моделированию шума датчиков, используя распределения вероятностей для характеристики случайной природы шума.

Гауссов шум:] Гауссов шум представляет собой присущую стохастичность данных, относящихся к измерениям датчиков, и служит важнейшим компонентом для моделирования и оценки неопределенности, часто используемым для моделирования ошибок измерения при обработке сигналов и часто называемым белым шумом, что означает, что его спектральная плотность мощности постоянна на всех частотах. Гауссовское распределение характеризуется двумя параметрами: средним (μ) и стандартным отклонением (σ). Для сенсорного шума среднее обычно равно нулю, в то время как стандартное отклонение определяет амплитуду шума.

Функция плотности вероятности для гауссового шума:

p(x) = (1/ (σ√(2π))) × exp(-(x-μ)2/ (2σ2)

Благодаря своей статистической характеристике гауссовский шум является отличным вариантом для моделирования ошибок, генерируемых в данных и анализирующих сложные системы.Эта модель особенно эффективна для теплового шума, шума выстрела и многих типов неопределенности измерений, обнаруженных в камерах, LiDAR и радиолокационных системах.

1/f Шум (Розовый шум): Специфические шумовые сигналы, имеющие спектральную плотность мощности, обратно пропорциональную частоте, называются 1/f шумом. Этот тип шума преобладает в электронных схемах и становится более значительным на более низких частотах. Это особенно важно для моделирования дрейфа в датчиках ИДУ и долгосрочных проблем стабильности в автономных системах.

Шум Пуассона: Шум Пуассона, также называемый шумом выстрела, возникает из-за дискретного характера обнаружения фотонов в оптических датчиках. Это особенно актуально для камер и систем LiDAR, работающих в условиях низкой освещенности. Разница шума Пуассона пропорциональна интенсивности сигнала, то есть более темные области изображения демонстрируют меньше шума, чем более яркие области.

Детерминированные шумовые модели

Детерминистические модели описывают шумовые паттерны, которые следуют предсказуемым моделям или могут быть охарактеризованы конкретными математическими функциями.

Квантовый шум:Квантовый шум возникает, когда непрерывные аналоговые сигналы преобразуются в дискретные цифровые значения. Это присуще всем цифровым датчикам и следует равномерному распределению с амплитудой, определяемой наименее значимым битом (LSB) аналого-цифрового преобразователя (ADC).Квантовый шумовой поток составляет приблизительно (LSB)2/12.

Биас и дрифт: Многие датчики демонстрируют систематические ошибки, которые медленно меняются с течением времени. Например, датчики ИДУ испытывают дрейф смещения из-за изменений температуры и старения. Они могут быть смоделированы с использованием случайных процессов ходьбы или полиномиальных функций времени и температуры.

Системные ошибки:] Ошибки калибровки, несоответствие между датчиками и нелинейности в ответе датчика могут быть смоделированы детерминированным образом после охарактеризования. Эти модели часто включают матрицы коррекции, таблицы поиска или полиномиальные приближения.

Продвинутые стохастические модели

Для более сложных поведений шума продвинутые стохастические модели обеспечивают большую верность и реализм.

Рэндомские ходовые модели: Случайные ходовые процессы модели кумулятивных ошибок, которые растут с течением времени, например, дрейф интеграции IMU. Ошибка положения в мертвом исчислении, например, растет пропорционально квадратному корню времени из-за накопления случайных скоростных ошибок.

Марковские процессы: Марковские процессы первого порядка могут моделировать коррелированный шум, где текущее значение шума зависит от предыдущего значения. Это полезно для моделирования временных корреляций в измерениях датчиков и возмущениях окружающей среды.

Цветные шумовые модели: Помимо белого шума, цветные шумовые модели (розовый, коричневый, синий) описывают шум с определенными частотными характеристиками. Они необходимы для точного представления реального поведения датчиков в различных диапазонах частот.

Специфическая шумовая характеристика

В настоящее время существует разрыв между синтезом шума, который использует параметры модели шума, и анализом шума датчика, в котором практикующие специалисты выполняют идентификацию и характеристику шума с использованием дисперсии Аллана для определения параметров шума датчика, с включенной работой, направленной на эту потребность, представляя учебный стиль примерных анализов, которые связывают параметры модели шума с характеристиками датчика для некоторых распространенных типов шума, обнаруженных в датчиках.

Аллан вариации анализа: Дисперсия Аллана является мощным инструментом для характеристики различных шумовых процессов в датчиках, в частности ИДУ. Настраивая отклонение Аллана по сравнению со средним временем по лог-лог шкале, инженеры могут идентифицировать и количественно оценить несколько источников шума, включая шум квантования, угол случайного хода, неустойчивость смещения, скорость случайного хода и скорость пандуса.

Различные типы шума создают характерные склоны на участке дисперсии Аллана:

• Квантовый шум: наклон -1
• Белый шум (угловая случайная прогулка): наклон -1/2
• Нестабильность в области предубеждений: наклон 0 (плоская область)
• Прогулка по случайному маршруту: уклон +1/2
• Скачок ставки: уклон +1

Анализ спектральной плотности мощности: Анализ частотной области с использованием спектральной плотности мощности (PSD) выявляет частотные характеристики шума датчика. Это особенно полезно для выявления периодических помех, резонансов и частотно-зависимых источников шума.

Автокорреляционный анализ:] Автокорреляция и спектральная оценка могут быть использованы для извлечения параметров, которые характеризуют основной шумовой процесс. Функции автокорреляции выявляют временные корреляции в шуме, помогая различать белый шум (нулевая корреляция при ненулевом отставании) и цветной шум (ненулевая корреляция).

Практические методы моделирования шума датчика

Шумовое моделирование — это процесс использования известных моделей шума для искажения истинных значений сигнала для имитации шумовых измерений.Эффективное моделирование сенсорного шума имеет решающее значение для тестирования и проверки алгоритмов автономной системы перед развертыванием в реальных условиях.

Гауссова симуляция шума

Гауссов шум является наиболее простым в моделировании и формирует основу для многих моделей сенсорного шума.Большинство программных сред обеспечивают встроенные функции для генерации гауссовских случайных чисел с использованием преобразования Box-Muller или аналогичных алгоритмов.

Основные этапы осуществления:

1. генерировать равномерно распределенные случайные числа
2. Преобразование в распределение Гаусса с использованием соответствующего алгоритма
3. Шкала с желаемым стандартным отклонением
4. Добавить в чистый сигнал датчика

Для многомерных датчиков, таких как ИДУ с трехосевыми акселерометрами и гироскопами, в каждый канал может быть добавлен независимый гауссовский шум, или коррелированный шум может быть создан с использованием ковариационных матриц для моделирования межосевой связи.

Моделирование сложных шаблонов шума

Солнечно-пепперный шум:] Этот импульсный шум случайным образом устанавливает пиксели на минимальные или максимальные значения, имитируя мертвые пиксели, электромагнитные помехи или ошибки передачи.Реализация включает случайный выбор процента измерений и замену их экстремальными значениями.

Квантовый шум: Моделирование квантования включает округление непрерывных значений до дискретных уровней на основе разрешения ADC. Для n-битного ADC с диапазоном [min, max] этап квантования является (max-min)/(2^n), а значения округлены до ближайшего уровня квантования.

Временная корреляция: Для имитации цветного шума или временно коррелированных ошибок, методы фильтрации могут быть применены к белому шуму. Фильтр низкого прохода первого порядка, применяемый к белому шуму, производит экспоненциально коррелированный шум, в то время как более сложные фильтры могут генерировать удельную спектральную плотность мощности.

Многосенсорные симуляторы

Платформа автономного моделирования вождения должна поддерживать моделирование дорожной сцены (статическое восстановление сцены и динамическое моделирование сцены), моделирование датчиков, учитывающих окружающую среду (моделирование и моделирование датчиков, таких как камера, LiDAR, радар и GPS / IMU), моделирование динамики транспортного средства и т. Д., Чтобы проверить тесты моделирования, начиная от восприятия до управления.

Многие компании работают над тонкозернистыми методами моделирования, например, высокоточным моделированием реальной дорожной среды, динамической дорожной сцены и поведения транспортного средства / пешехода, а также точным восстановлением подробных физических явлений и динамических характеристик датчика, с полными моделями физических датчиков, имитирующими подробные физические явления, такие как отражение на нескольких траекториях, преломление и помеха электромагнитных волн, или динамические характеристики датчика, такие как скорость потери обнаружения, разрешение цели, обнаружение неопределенности и физические явления «призрака».

Комплексные рамки моделирования для автономных систем обычно включают:

• Физико-базированные сенсорные модели: Подробные модели, которые имитируют физические принципы работы датчика, включая трассировку лучей для камер и LiDAR, распространение электромагнитных волн для радара и геометрию спутника для GPS.
• Экологические эффекты: Моделирование погодных условий (дождь, туман, снег), вариации освещения (день, ночь, тени) и помехи окружающей среде (электромагнитный шум, мультипатические эффекты).
• Деградация датчика: Моделирование старения датчика, дрейф калибровки и режимы отказа для проверки надежности системы.
• Синхронизация и время: Точное моделирование скорости выборки датчиков, задержки и времени, которые влияют на алгоритмы синтеза датчиков.

Проверка шумовых моделей

Эта работа направлена на демонстрацию того, что методы характеристики шума датчика могут быть применены к имитируемым данным шума датчика для восстановления исходных параметров модели шума, с представленными связями между моделями шума и инструментами характеристики датчика, помогающими инженерам и ученым численно проверять ожидаемые пределы производительности своих систем с использованием имитируемых сигналов от коммерчески доступных датчиков.

Проверка моделей шума включает сравнение симулированных характеристик шума с реальными данными датчиков:

• Статистическое сравнение: Сравните среднее, дисперсию, искажение и куртоз смоделированного и реального шума
• Спектральный анализ: Проверить, что спектральная плотность мощности совпадает между моделированием и реальностью
• Аллан Вариативная проверка: Обеспечение симулированного шума производит правильные кривые дисперсии Аллана
• Временная корреляция: Проверка функций автокорреляции на соответствие ожидаемым моделям
• Анализ предельной величины: Проверить, что выбросы и экстремальные явления происходят с соответствующей частотой

Шум в различных автономных системных датчиках

Различные типы датчиков демонстрируют уникальные шумовые характеристики, которые требуют специализированных подходов к моделированию. Понимание этих свойств шума, характерных для датчиков, имеет важное значение для разработки точных симуляционных сред.

Сенсорный шум камеры

Датчики камеры имеют основополагающее значение для автономного восприятия транспортного средства, обеспечивая богатую визуальную информацию об окружающей среде, однако они восприимчивы к нескольким источникам шума, которые варьируются в зависимости от условий освещения, времени экспозиции и температуры датчика.

Фотонный шум:] Основной источник шума в хорошо освещенных условиях следует статистике Пуассона. Соотношение сигнал/шум улучшается с квадратным корнем интенсивности света, что означает, что более темные сцены по своей сути шумнее. Это особенно сложно для автономных систем, работающих ночью или в туннелях.

Читайте шум: Электронный шум из схемы считывания добавляет гауссову составляющую, независимую от уровня сигнала.Это становится доминирующим источником шума в очень темных условиях, где количество фотонов низкое.

Темный токовый шум:] Тепловая генерация электронов в датчике создает сигнал даже в полной темноте.Это увеличивается экспоненциально с температурой и становится значительным при длительных воздействиях или в жарких условиях.

Шум с фиксированными шаблонами:] Изменения чувствительности пикселей и темного тока создают повторяемые шаблоны. Хотя они могут быть откалиброваны, изменения температуры и старение вызывают дрейф этих шаблонов с течением времени.

Сенсорный шум LiDAR

Системы LiDAR (Light Detection and Ranging) обеспечивают точное 3D-облако, но сталкиваются с уникальными проблемами шума, связанными с лазерным диапазоном и условиями окружающей среды.

Мультимодальные модули Denoising Diffusion используют мощные 4D-радиолокационные функции для очистки шумных данных LiDAR, используя сильные стороны каждого датчика - точность LiDAR в ясных условиях и надежность радара в неблагоприятных погодных условиях.

Шум в диапазоне:] Неопределенность в измерениях расстояния возникает из-за точности времени возвращения лазерного импульса. Обычно это следует за гауссовским распределением со стандартным отклонением в несколько сантиметров для автомобильных систем LiDAR.

Шум интенсивности: Возвращаемая сила сигнала изменяется в зависимости от отражательной способности поверхности, угла падения и атмосферных условий.Тёмные или сильно поглощающие поверхности производят слабые возвраты с более высоким шумом.

Погодный шум:] Дождь, туман и снег создают ложные возвраты и затуманивают реальные объекты. Капли дождя могут появляться как близкие препятствия, в то время как туман ослабляет лазерный луч, уменьшая максимальный диапазон и увеличивая шум на отдаленных объектах.

Мультипат и перекрестный разговор: Отражение от нескольких поверхностей или помехи между соседними лазерными лучами может создавать призрачные точки или дальность двусмысленности.

Радарный сенсорный шум

Радарные датчики обеспечивают надежное обнаружение в неблагоприятную погоду, но имеют свои собственные шумовые характеристики, связанные с распространением электромагнитных волн и обработкой сигналов.

Тепловой шум: Фундаментальный шумовой пол в радиолокационных приемниках определяется тепловым шумом, характеризующимся шумовой фигурой электроники приемника. Это ограничивает минимальный обнаруживаемый сигнал и максимальный диапазон.

Загромождаемый: Отражение от неподвижных объектов, земли и растительности создает нежелательные возвраты, которые могут маскировать интересующие цели.Обработка доплеров помогает отделить движущиеся цели от беспорядка, но не идеальна.

Многолучевые помехи: Радарные сигналы, отражающиеся от нескольких поверхностей перед возвращением к приемнику, создают призрачные цели или ошибки дальности/угла. Это особенно проблематично в городских условиях со многими отражающими поверхностями.

Помехи: Другие радиолокационные системы, работающие на аналогичных частотах, могут создавать помехи.По мере того, как автономные транспортные средства становятся все более распространенными, радиолокационные помехи вызывают все большую озабоченность.

IMU Sensor Noise

Каждый журнал обеспечивает синхронизированную многосенсорную телеметрию (IMU, GNSS, барометрическая высота, состояния привода, режимы полета и показатели мощности) с высоким временным разрешением, что позволяет реалистично моделировать динамику полета, поведение оценщика и шум датчика.

Случайная ходьба по кольцу: Белый шум в измерениях гироскопа интегрируется для получения случайных прогулок в оценках угла. Для этого характерен коэффициент случайных прогулок по углу, обычно указанный в градусах на квадратный корень часа.

Скорость Случайной ходьбы: Аналогично, акселерометр белого шума интегрируется в ошибки скорости. Коэффициент скорости случайной ходьбы обычно указывается в метрах в секунду на квадратный корень часа.

Биас Нестабильность: Медленно изменяющиеся ошибки смещения в гироскопах и акселерометрах вызывают дрейф во времени.Это часто является доминирующим источником ошибок для ИМУ навигационного класса и характеризуется плоской областью на диаграммах дисперсии Аллана.

Температурная чувствительность: Предубеждения и факторы масштаба ИДУ варьируются в зависимости от температуры. Высококачественные ИДУ включают температурную компенсацию, но остаточные температурные эффекты остаются значительным источником ошибок.

Выпрямление вибраций: Высокочастотные вибрации могут быть исправлены нелинейностью датчиков для получения ошибок смещения низкой частоты. Это особенно проблематично в транспортных средствах со значительной вибрацией двигателя или дороги.

GNSS/GPS сенсорный шум

Глобальные навигационные спутниковые системы предоставляют абсолютную информацию о местоположении, но подвержены различным источникам ошибок, которые могут быть смоделированы как шум.

Псевдооранжевый шум: Измерительный шум во время полета от спутников до приемника обычно имеет стандартное отклонение 1-3 метра для гражданского GPS. Это улучшается с дифференциальными поправками и многочастотными приемниками.

Мультипат: Отражение спутниковых сигналов от зданий и местности создает ошибки в диапазоне, которые могут составлять несколько метров. Это особенно тяжело в городских каньонах и трудно моделировать, поскольку это зависит от конкретной геометрии.

Атмосферные задержки:] Ионосферные и тропосферные задержки вносят ошибки дальности, которые варьируются в зависимости от угла возвышения спутника, времени суток и погодных условий.

Спутниковая геометрия: Геометрическое разбавление точности (GDOP) усиливает погрешности ранжирования на основе геометрии спутниковых созвездий. Плохая геометрия (спутники, сгруппированные в одной части неба) значительно ухудшает точность положения.

Расширенные приложения: слияние датчиков и шумоподавление

Понимание и моделирование шума датчиков позволяет разрабатывать сложные алгоритмы, которые объединяют несколько датчиков и отфильтровывают шум для получения надежных оценок состояния системы.

Фильтрация Калмана и оценка состояния

Фильтр Калмана является краеугольным камнем сплава датчиков в автономных системах, оптимально сочетая шумные измерения от нескольких датчиков с динамическими моделями для оценки состояния системы.Фильтр явно моделирует как шум процесса (неопределенность в динамике системы), так и шум измерения (неопределенность датчика).

Фильтр Калмана требует точных матриц ковариации шума:

• Ковариантность шума процессов (Q): Представляет неопределенность в модели системы, включая немоделированную динамику и возмущения
• Измерение шумовой ковариации (R): Представляет собой характеристики шума датчика, непосредственно полученные из моделей шума

Точное моделирование шума имеет решающее значение для производительности фильтра Калмана. Недооценка шума приводит к чрезмерно самоуверенным оценкам, которые не отслеживают реальность, в то время как переоценка шума производит вялые оценки, которые не полностью используют информацию датчиков.

Расширенный фильтр Калмана (EKF): Для нелинейных систем EKF линеаризует динамику и модели измерений вокруг текущих оценок. Распространение шума через нелинейные функции требует тщательного рассмотрения, поскольку гауссовский шум может стать негауссовым после нелинейного преобразования.

Неосцвечивающийся фильтр Калмана (UKF): UKF использует детерминированную выборку для лучшего захвата распространения шума через нелинейные функции, часто обеспечивая лучшую производительность, чем EKF, когда нелинейности значительны.

Многомодальное слияние сенсоров

Слияние датчиков играет ключевую роль в автономном вождении, объединяя данные от различных датчиков, таких как камеры, LiDAR и радар, чтобы обеспечить всестороннее понимание окружающей среды транспортного средства.Многомодальный подход может использовать избыточность между датчиками, например, если датчик камеры неисправен, LiDAR или радиолокационные данные все еще могут дать достаточную ситуационную осведомленность.

Эффективный синтез датчиков требует понимания дополнительных шумовых характеристик различных датчиков:

• Камеры обеспечивают богатую семантическую информацию, но борются с плохим освещением и не имеют точной глубины. LiDAR обеспечивает точную 3D-геометрию, но ограниченную семантическую информацию. Слияние обоих компенсирует индивидуальные слабости.
• LiDAR + Radar: LiDAR превосходит в ясную погоду, но ухудшается в дождь и туман. Радар проникает в погоду, но имеет более низкое разрешение. Комбинирование обоих обеспечивает всепогодное восприятие.
• Видение + IMU: Визуальная одометрия обеспечивает точное относительное позиционирование, но может потерпеть неудачу с плохими функциями или освещением. IMU обеспечивает непрерывные оценки движения, но дрейфует с течением времени. Fusion обеспечивает надежную локализацию.
• GNSS + IMU: GPS обеспечивает абсолютное положение, но может быть шумным или недоступным. IMU обеспечивает плавное относительное движение, но дрейф. Тесная интеграция обеспечивает непрерывную, точную навигацию.

Неопределенность глубокого обучения

Байесовские нейронные сети (BNN) обеспечивают принципиальную основу для принятия решений, учитывающих неопределенность, в автономной навигации. BNN расширяют стандартные нейронные сети, рассматривая весы как распределения вероятностей, а не фиксированные параметры, что позволяет модели захватывать как эпистемическую (модельную) и алеаторную (входную) неопределенность.

Современные подходы к глубокому обучению автономных систем все чаще включают в себя количественную оценку неопределенности.

Алеаторная неопределенность: Это представляет собой неснижаемую неопределенность из-за шума датчиков и случайности окружающей среды. Нейронные сети могут быть обучены прогнозировать как выход, так и неопределенность в этом выходе, изучая, какие ситуации производят шумные измерения.

Эпизодическая неопределенность: Это представляет собой неопределенность из-за ограниченных данных обучения или возможностей модели.Такие методы, как отсев Монте-Карло и методы ансамбля, оценивают эту неопределенность, указывая, когда система сталкивается с ситуациями, отличными от ее данных обучения.

Изучая распределение по весу, BNN оценивают как прогнозные результаты, так и связанную с ними неопределенность, что позволяет вести себя осторожно, с учетом риска, что необходимо для автономных систем, работающих в критически важных и динамических средах.

Алгоритмы прочного восприятия

Алгоритмы восприятия должны быть разработаны для изящной обработки шумных данных датчиков:

Отказ от внешнего вида: RANSAC (Random Sample Consensus) и аналогичные алгоритмы идентифицируют и отвергают измерения выброса, которые не соответствуют ожидаемой модели. Это имеет решающее значение для обработки ложных обнаружений и сбоев датчиков.

Алгоритмы отслеживания, которые поддерживают состояние объекта с течением времени, могут сглаживать шумные измерения и прогнозировать положения объекта, когда измерения временно недоступны или ненадежны.