연구논문
DADEE: CBF 제어의 불확실성 추정
모델 분산과 직접 오차 추정을 결합해 학습 분포 안팎의 불확실성 추정을 개선합니다. 시뮬레이션 로봇의 실패율로 CBF 제어기를 비교합니다. 실제 하드웨어와 분포 변화에서의 검증은 추가로 필요합니다.
검토 기준일 2026-11-05 · 원출처·서지정보 확인
원출처의 서지정보와 자료 개요를 확인했습니다. 원문 접근 조건과 판본은 출처에 표시되어 있습니다.
- 원문 제목
- DADEE: Well-calibrated uncertainty quantification in neural networks for barriers-based robot safety
- 발행처
- arXiv
- 저자
- Ataei, Masoud, Dhiman, Vikas
- DOI
- 10.48550/arxiv.2407.00616
- 최초 아카이브 등록일
- 2024-06-30
- 원문 언어
- en
- 원출처 국가
- US
- 판본
- v1
- 접근 조건
- 공개 아카이브 서지정보 및 원고
- 출판 상태
- 프리프린트
관련 자료와 기술 해설
자료 개요
모델 분산과 직접 오차 추정을 결합해 학습 분포 안팎의 불확실성 추정을 개선합니다. 시뮬레이션 로봇의 실패율로 CBF 제어기를 비교합니다. 실제 하드웨어와 분포 변화에서의 검증은 추가로 필요합니다.
이용 및 검토
원 아카이브 초록과 서지정보를 바탕으로 작성한 독자적 요약입니다. 전문 기술 검토와 원어민 검토는 대기 중입니다. 보고된 방법만으로 실제 안전 기능이나 달성 PL이 입증되지는 않습니다.
출처와 판본
DADEE: Well-calibrated uncertainty quantification in neural networks for barriers-based robot safety ↗
arXiv · v1
arXiv abstract, authors, submission history and DOI links; first posting 2024-06-30, abstract reviewed in v1. Publisher dates are separate.