Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
생성적 역학 모델에서 OOD 전이를 신뢰성 있게 탐지하기 위한 새로운 정규화 방법을 제안합니다. 제어 입력 변화에 대한 국소적 민감도를 촉진하여, 실제 예측 오차가 큼에도 OOD 신호가 억제되는 문제를 해결합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기생성적 역학 모델 (Generative dynamics models)은 까다로운 로봇 시스템에서의 계획 (planning)을 가능하게 하지만, 안전한 배포를 위해서는 정책에 의해 유도된 분포 외 (out-of-distribution, OOD) 전이를 신뢰성 있게 탐지해야 합니다. 기존 방법들은 일반적으로 학습된 역학을 고정된 것으로 취급하고 사후적 지원 대리물 (post hoc support surrogates)을 부착합니다. 우리는 역학이 중요한 행동 선택에 대해 국소적으로 둔감할 때 이러한 대리물들이 실패할 수 있음을 보여줍니다. 즉, 지원되지 않는 제어 행동이 시연된 전이와 유사한 잠재 예측 (latent predictions)을 생성하여, 실제 예측 오차 (predictive errors)가 큼에도 불구하고 OOD 신호를 억제할 수 있습니다. 이를 해결하기 위해, 우리는 지원 조건부 제어 민감도 정규화 (support-conditioned control-sensitivity regularization)를 도입합니다. 이는 높은 지원을 가진 학습 영역 내의 학습된 역학에서 제어 입력 변화에 대한 민감한 국소적 반응을 촉진합니다. 이를 통해 제어 유도 변동성 (control-induced variation)을 보존하는 동시에, 약한 경험적 지원으로 인한 불안정한 외삽 (extrapolation)을 제한합니다. 시각 기반 장애물 회피, 조작 (manipulation), 그리고 실제 로봇 내비게이션 실험을 통해 개선된 OOD 탐지 및 더 안전한 폐루프 계획 (closed-loop planning)을 보여줍니다.