[논문 리뷰] Uncertainty-Aware Deep Learning for Autonomous Safe Landing Site Selection

Kento Tomita, Katherine A. Skinner외 1명|arXiv (Cornell University)|2021. 01. 01.

Space Satellite Systems and Control참고 문헌 41인용 수 6

한 줄 요약

이 논문은 디지털 고도 모델(Digital Elevation Models, DEMs)에서 위험 안전성과 불확실성 지ap을 동시에 예측함으로써 행성 천체에서 자율적인 안전 착륙지 선택을 위한 베이지안 딥러닝 접근법을 제안한다. 예측 결과를 높은 확신도를 가진 픽셀로만 필터링함으로써 노이즈가 있는 입력 조건에서도 신뢰성을 향상시키며, 시뮬레이션된 화성 지형에서 다양한 노이즈 수준에서도 강인한 성능을 입증한다.

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.

연구 동기 및 목표

• 안전이 중요한 우주 임무에서 딥러닝의 신뢰성 격차를 해소하고, 특히 센서 노이즈 하에서의 위험 탐지 문제를 해결한다.
• DEM 노이즈가 증가함에 따라 성능이 저하되는 전통적인 컴퓨터 비전 방법의 한계를 극복한다.
• 안전 착륙지 예측뿐만 아니라 예측 불확실성까지 정량화하는 기계학습 기반 시스템을 개발한다.
• 신뢰도가 높은 예측 결과에만 기반해 자율적인 착륙지 선택을 가능하게 하여 임무 안전성을 향상시킨다.
• 시뮬레이션된 화성 지형 데이터를 활용해 다양한 수준의 센서 노이즈에서의 강인성을 입증한다.

제안 방법

• 디지털 고도 모델(DEMs)의 세그멘테이션을 위해 베이지안 컨volution 신경망(Bayesian CNNs)을 활용하여 안전성 레이블과 불확실성 지ap을 동시에 예측한다.
• 에피스테믹 불확실성 추정을 위해 몬테카를로 드롭아웃 추론을 사용하여 예측 결과와 함께 불확실성 지압을 생성한다.
• 높은 예측 확신도를 가진 픽셀만 유지하는 임계값 기반 필터링 전략을 적용한다.
• 신뢰도가 높은 영역으로만 필터링된 결과를 기반으로 착륙지 선택을 수행하여 신뢰성을 확보한다.
• 노이즈 수준을 제어한 시뮬레이션된 HiRISE 기반 화성 DEM 데이터를 활용해 모델을 훈련 및 평가하여 강인성을 평가한다.
• 의심스러운 지형을 거부하기 위해 불확실성 인식 후처리를 통합하여 위험 탐지에서의 잘못된 경고(false positives)를 감소시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 DEM에서 위험 안전성과 불확실성을 동시에 예측함으로써 자율 착륙의 신뢰성을 향상시킬 수 있는가?
• RQ2 불확실성 인식 필터링 전략은 센서 노이즈가 증가하는 조건에서 안전 착륙지 선택에 어떻게 기여하는가?
• RQ3 기존의 비전 기반 위험 탐지 방법에 비해 제안된 방법이 노이즈가 있는 입력 조건에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 베이지안 딥러닝은 우주 응용 분야에서 지형 안전성 예측에 대한 모델 신뢰도를 효과적으로 정량화할 수 있는가?
• RQ5 불확실성 기반으로 예측 결과를 필터링하면 시뮬레이션된 행성 환경에서 더 강인하고 신뢰할 수 있는 착륙지 선택이 가능한가?

주요 결과

• 노이즈 수준이 높은 조건에서도 기존의 딥러닝 접근법에 비해 불확실성 인식 방법이 안전 착륙지 선택의 신뢰성을 크게 향상시킨다.
• 높은 확신도 픽셀만 포함하도록 예측 결과를 필터링함으로써 잘못된 위험 탐지(false positive)가 감소하여 임무 안전성이 향상된다.
• 입력 DEM이 노이즈에 의해 손상되어도 안전성 예측 정확도를 높게 유지하여 강인함을 입증한다.
• 불확실성 지압은 모호하거나 높은 위험도를 가진 지형 영역을 효과적으로 식별하여, 불확실한 데이터에 대한 결정을 피할 수 있도록 한다.
• 시뮬레이션된 화성 HiRISE DEM을 대상으로 한 실험은 다양한 노이즈 수준에서 일관된 성능을 보이며, 방법의 적응 가능성과 타당성을 입증한다.
• 베이지안 딥러닝과 세그멘테이션의 통합은 우주 임무 자율성에 필수적인 신뢰할 수 있고 해석 가능한 예측을 가능하게 한다.