增量信息收集的路径依赖变分框架
机器人学
2020-10-28 v1 最优化与控制
摘要
沿路径收集的信息本质上是次模的；沿路径获得的增量信息量因冗余观测而减少。除次模性外，获得的增量信息量不仅取决于当前状态，也取决于整个历史。本文给出记忆（历史依赖）Lagrangian 的一阶必要最优性条件的构造。路径依赖问题频繁出现于机器人与人工智能中，其中诸如地图等状态是部分可观测的，且信息只能沿轨迹通过局部传感获得。机器人探索与环境监测具有众多现实应用，并可用所提方法进行表述。
引用
@article{arxiv.2010.13813,
title = {A Path-Dependent Variational Framework for Incremental Information Gathering},
author = {William Clark and Maani Ghaffari},
journal= {arXiv preprint arXiv:2010.13813},
year = {2020}
}
备注
22 pages, 5 figures