مقاله کالیبراسیون محلی انطباقی عدم قطعیت دینامیکی از تصاویر معنایی
,

مقاله کالیبراسیون محلی انطباقی عدم قطعیت دینامیکی از تصاویر معنایی

تومان249,950

ما الگوریتم OCULAR (کالیبراسیون محلی عدم قطعیت سازگار با مشاهده) را معرفی می‌کنیم، یک الگوریتم مبتنی بر پیش‌بینی سازگار که از اطلاعات ادراکی برای ارائه تضمین‌های کمی‌سازی عدم قطعیت برای محیط‌های آزمای…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000311 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

کالیبراسیون محلی انطباقی عدم قطعیت دینامیکی از تصاویر معنایی

Local Conformal Calibration of Dynamics Uncertainty from Semantic Images

نویسندگان: Luís Marques, Dmitry Berenson

شناسه منبع: arxiv / 2605.13028v1

دسته: cs.RO,eess.SY

چکیده (فارسی)

ما الگوریتم OCULAR (کالیبراسیون محلی عدم قطعیت سازگار با مشاهده) را معرفی می‌کنیم، یک الگوریتم مبتنی بر پیش‌بینی سازگار که از اطلاعات ادراکی برای ارائه تضمین‌های کمی‌سازی عدم قطعیت برای محیط‌های آزمایشی ناشناخته استفاده می‌کند. در حالی که رویکردهای سازگار قبلی فاقد توانایی تمایز بین نواحی فضای حالت-عمل هستند که منجر به عدم تطابق مدل بالاتر یا پایین‌تر می‌شوند و به داده‌های خاص محیط نیاز دارند، روش ما از داده‌های جمع‌آوری شده از محیط‌های بصری مشابه برای کالیبراسیون اثبات‌شده یک مدل دینامیک خطی گاوسی با وفاداری دلخواه استفاده می‌کند. مناطق پیش‌بینی تولید شده از OCULAR تضمین شده‌اند که حالت‌های آینده سیستم را با حداقل احتمال تعیین شده توسط کاربر، علیرغم عدم قطعیت‌های آلِتوریک (ذاتی) و اپیستمیک (ناشی از دانش) – یعنی عدم قطعیت ناشی از اختلالات تصادفی و کمبود داده – در بر گیرند. تضمین‌های ما غیرمجازی و توزیع-آزاد هستند و نیازی به فرضیات قوی در مورد دینامیک واقعی ناشناخته سیستم ندارند. رویه کالیبراسیون ما امکان تمایز بین ورودی‌های مشاهده-سرعت-عمل را که منجر به عدم قطعیت حالت بعدی بالاتر و پایین‌تر می‌شوند، فراهم می‌کند، که برای برنامه‌ریزی ایمن احتمالی مفید است. ما الگوریتم خود را به صورت عددی بر روی یک سیستم دو انتگرال‌گیر که تحت اغتشاشات تصادفی و عدم تطابق قابل توجه مدل قرار دارد، با استفاده از هر دو سنسور ساده‌شده و دوربین شبیه‌سازی شده واقع‌گرایانه‌تر، اعتبارسنجی می‌کنیم. رویکرد ما عدم قطعیت را هم در حالت توزیع-درون (in-distribution) و هم در حالت توزیع-خارج (out-of-distribution) به درستی کمی‌سازی می‌کند و از نظر حجمی نسبت به روش‌های پایه که به داده‌های خاص محیط نیاز دارند، کارآمدتر است.

Abstract (English)

We introduce Observation-aware Conformal Uncertainty Local-Calibration (OCULAR), a conformal prediction-based algorithm that uses perception information to provide uncertainty quantification guarantees for unseen test-time environments. While previous conformal approaches lack the ability to discriminate between state-action space regions leading to higher or lower model mismatch, and require environment-specific data, our method uses data collected from visually similar environments to provably calibrate a given linear Gaussian dynamics model of arbitrary fidelity. The prediction regions generated from OCULAR are guaranteed to contain the future system states with, at least, a user-set likelihood, despite both aleatoric and epistemic uncertainty — i.e., uncertainty arising from both stochastic disturbances and lack of data. Our guarantees are non-asymptotic and distribution-free, not requiring strong assumptions about the unknown real system dynamics. Our calibration procedure enables distinguishing between observation-velocity-action inputs leading to higher and lower next-state-uncertainty, which is helpful for probabilistically-safe planning. We numerically validate our algorithm on a double-integrator system subject to random perturbations and significant model mismatch, using both a simplified sensor and a more realistic simulated camera. Our approach appropriately quantifies uncertainty both when in-distribution and out-of-distribution, being comparatively volume-efficient to baselines requiring environment-specific data.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله کالیبراسیون محلی انطباقی عدم قطعیت دینامیکی از تصاویر معنایی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا