[論文レビュー] Uncertainty-Aware Deep Learning for Autonomous Safe Landing Site Selection

Kento Tomita, Katherine A. Skinner+1 more|arXiv (Cornell University)|Jan 1, 2021

Space Satellite Systems and Control参考文献 41被引用数 6

ひとこと要約

本論文は、デジタル標高モデル（DEMs）から危険性の安全性と不確実性マップを同時に予測することで、天体表面における自律的で安全な着陸地点選定のためのベイジアンディープラーニング手法を提案する。入力にノイズが含まれる状況下でも、高い信頼性を持つピクセルに制限して予測をフィルタリングすることで、性能が向上し、模擬火星地形におけるさまざまなノイズレベルでも頑健な性能を示している。

ABSTRACT

Hazard detection is critical for enabling autonomous landing on planetary surfaces. Current state-of-the-art methods leverage traditional computer vision approaches to automate identification of safe terrain from input digital elevation models (DEMs). However, performance for these methods can degrade for input DEMs with increased sensor noise. At the same time, deep learning techniques have been developed for various applications. Nevertheless, their applicability to safety-critical space missions has been often limited due to concerns regarding their outputs' reliability. In response to this background, this paper proposes an uncertainty-aware learning-based method for hazard detection and landing site selection. The developed approach enables reliable safe landing site selection by: (i) generating a safety prediction map and its uncertainty map together via Bayesian deep learning and semantic segmentation; and (ii) using the generated uncertainty map to filter out the uncertain pixels in the prediction map so that the safe landing site selection is performed only based on the certain pixels (i.e., pixels for which the model is certain about its safety prediction). Experiments are presented with simulated data based on a Mars HiRISE digital terrain model and varying noise levels to demonstrate the performance of the proposed approach.

研究の動機と目的

• センサーノイズ下での安全な着陸のためのディープラーニングの信頼性ギャップを解消すること。特に、センサーノイズ下での危険物検出の分野を対象とする。
• DEMのノイズが増加するにつれて性能が低下する従来のコンピュータビジョン手法の限界を克服すること。
• 安全な着陸地点を予測するだけでなく、予測の不確実性を定量化する学習ベースのシステムを開発すること。
• 信頼性を高めるために、安全な予測のみに基づいて自律的着陸地点選定を実施すること。
• 模擬火星地形データを用いて、さまざまなノイズレベルにおける耐障害性を実証すること。

提案手法

• デジタル標高モデル（DEMs）のセマンティックセグメンテーションにベイジアン畳み込みニューラルネットワーク（ベイジアンCNN）を採用し、安全性ラベルと不確実性マップの両方を予測する。
• モンテカルロドロップアウト推論を用いて、モデル予測におけるエピステミック不確実性を推定し、安全性予測とともに不確実性マップを生成する。
• しきい値に基づくフィルタリング戦略を採用し、安全性マップにおいて高い予測信頼性を持つピクセルのみを保持する。
• 信頼性の高い領域に限定して、フィルタリング処理を施した領域でのみ着陸地点選定を実施することで、信頼性を確保する。
• 耐障害性を評価するために、制御されたノイズレベルを含む模擬HiRISEベースの火星DEM上でモデルを学習および評価する。
• 不確実性を考慮した後処理を統合し、曖昧な地形を除外することで、危険物検出における誤検出を低減する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルがDEMsにおける危険性の安全性と不確実性を同時に予測することで、自律的着陸の信頼性が向上するか？
• RQ2 不確実性を考慮したフィルタリング戦略は、センサーノイズが増加する条件下でも安全な着陸地点選定をどのように向上させるか？
• RQ3 従来のビジョンベースの危険物検出手法と比較して、提案手法はノイズのある入力条件下でどの程度優れているか？
• RQ4 ベイジアンディープラーニングは、宇宙用途における地形安全性予測のモデルの自信を効果的に定量化できるか？
• RQ5 不確実性に基づいて予測をフィルタリングすることで、模擬惑星環境における着陸地点選定がより頑健かつ信頼性あるものになるか？

主な発見

• ノイズが高い状況下でも、標準的なディープラーニング手法と比較して、不確実性を考慮した手法が安全な着陸地点選定の信頼性を顕著に向上させた。
• 高信頼性ピクセルに限定して予測をフィルタリングすることで、誤検出の多い危険物検出が低減され、ミッションの安全性が向上した。
• 入力のDEMがノイズで汚染されても、安全性予測の精度を高い水準で維持でき、耐障害性を示した。
• 不確実性マップは、曖昧または高リスクな地形領域を効果的に特定でき、システムが不確実なデータに基づく意思決定を回避できるようにした。
• 模擬火星HiRISE DEMを用いた実験では、さまざまなノイズレベルで一貫した性能を示し、本手法の適応性を検証した。
• ベイジアンディープラーニングとセマンティックセグメンテーションの統合により、宇宙ミッションの自律性に不可欠な信頼性があり解釈可能な予測が可能になった。