要旨: 自律航行車が水中モニタリングに従事する際、まばらな搭載観測から環境のスカラー場を正確に再構成することは不可欠である。点推定にとどまらず、情報経路計画（Informative Path Planning）のような能動センシング戦略において、認識論的不確実性がデータ収集の意思決定を左右するため、原理に基づく不確実性の定量化が重要となる。本論文では、実際のセンサーモダリティを代表する3つの知覚モデルの下で、スカラー場の同時再構成と不確実性の分解を行うために、ガウス過程（Gaussian Processes）、モンテカルロ・ドロップアウト（Monte Carlo Dropout）、ディープアンサンブル（Deep Ensembles）、およびエビデンシャル・ディープラーニング（Evidential Deep Learning）を比較する。結果は、エビデンシャル・ディープラーニングが、推論コストが最も低い条件で、すべてのセンサ設定にわたって最良の再構成精度と不確実性の較正を達成することを示している。一方で、ガウス過程は定常カーネル仮定に本質的に制約があり、観測密度が増すと扱いが困難（非実行可能）になる。これらの知見は、実時間の自律航行車の運用における、不確実性を考慮した場再構成のための望ましい手法として、エビデンシャル・ディープラーニングを支持する。
自律車両によるアクチュエイティックな災害シナリオにおける深層再構成の不確実性推定
arXiv cs.RO / 2026/4/9
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、自律型の水中（アクアティック）車両が、車載センサ観測の疎なデータからスカラーの環境場を再構成すると同時に、情報的経路計画のような能動的センシングの意思決定に用いるための不確実性を定量化する方法を扱う。
- ガウス過程、モンテカルロ・ドロップアウト、ディープアンサンブル、証拠（エビデンシャル）ディープラーニングの4つの不確実性を考慮した手法を、実世界のセンサに関連する3つの知覚（センサモダリティ）構成のもとで比較する。
- 結果は、証拠（エビデンシャル）ディープラーニングが、再構成精度と不確実性の較正のバランスにおいて最良であり、さらに試験した全てのセンサ構成で推論コストが最も低いことを示している。
- 本研究では、ガウス過程は定常カーネル仮定によって制約され、観測密度が増加すると計算的に破綻しやすくなることが分かった。
- 総じて著者らは、証拠（エビデンシャル）ディープラーニングを、リアルタイムの自律車両展開に適した実用的な不確実性を考慮する再構成手法として推奨している。
