Réponse rapide
On évite le surapprentissage par données diversifiées, séparation stricte, régularisation, augmentation, modèle adapté, arrêt précoce et évaluation sur scènes, robots et conditions non vues.
Comparer apprentissage et généralisation
Perte, précision, rappel et calibration sont suivis entre entraînement et validation. Une divergence persistante indique mémorisation ou fuite.
Réduire la dépendance aux exemples
Dropout, poids, modèle plus simple, augmentation et données ciblées sont comparés. Les augmentations restent physiquement plausibles pour le capteur.
Tester les conséquences
Latence, refus, sortie hors domaine et effet sur le mouvement sont mesurés. Le contrôleur limite les actions quand la perception est douteuse.
Sources et références
- [1] Nodes — ROS 2 documentation