Fra Falsk Sikkerhed til Valid Konfidens: Positionsestimering videre end Deep Learning

Robotter estimerer deres position ud fra sensorer såsom lidar, radar eller sonar. Hurtig og præcis positionsestimering er afgørende for sikker navigation. Fejl kan føre til sammenstød, at udstyr går i stykker eller at robotten bliver væk i utilgængelige områder. For at håndtere uventede situationer uden mennesker til stede, skal robotter vurdere deres usikkerhed, ligesom et menneske kan vurdere, om det er faret vild. Desværre er de etablerede metoder til positionsestimering enten upræcise eller overdrevent sikre. Stein mixture inference er en ny Bayesiansk inferensmetode, der tillader præcis estimering og korrekt vurdering af usikkerhed. Metoden er dog kun blevet brugt til offline analyse. Robotter har brug for hurtig online analyse. I dette tværfaglige projekt, der kombinerer robotteknologi og statistik, udvider vi Stein mixture inference til online problemer og evaluerer det på robotnavigation. En usikkerhedsbevidst positionsestimering vil muliggøre robust kontrol i uventede situationer, hvor eksisterende metoder giver falsk sikkerhed.