远程感知机器人高效路径规划的蒙特卡罗压缩感知与字典学习方法
机器人学
2025-07-25 v1
摘要
近年来，压缩感知 (Compressed Sensing, CS) 作为一种使用少于传统奈奎斯特抽样所需测量次数来获取高分辨率感测数据的方法，受到了广泛关注。与此同时，无人机和 rover 等自主机器人平台已成为执行远程感知和环境监测任务（包括温度、湿度和空气质量测量）的越来越流行的工具。在此背景下，本文提出了一种 novel 的蒙特卡罗优化框架，探讨了 CS 测量矩阵的结构如何被用于设计优化的抽样轨迹以进行机器人环境数据收集。我们的方法的核心是应用字典学习 (Dictionary Learning, DL) 以获得数据驱动的稀疏化变换，该变换在提高重构精度的同时进一步减少机器人需要收集的样本数量。我们通过在 Gulf 区域重建 污染图的实验演示了该方法的有效性。结果表明，该方法可以将机器人旅行距离缩减至完全覆盖路径的 less than 10%，同时相对于基于 DCT 和多项式字典的传统 CS 方法实现的重构精度提高了超过五倍，相对于 previously 提出的 Informative Path Planning (IPP) 方法则提高了约两个倍。
引用
@article{arxiv.2507.18462,
title = {A Novel Monte-Carlo Compressed Sensing and Dictionary Learning Method for the Efficient Path Planning of Remote Sensing Robots},
author = {Alghalya Al-Hajri and Ejmen Al-Ubejdij and Aiman Erbad and Ali Safa},
journal= {arXiv preprint arXiv:2507.18462},
year = {2025}
}