基于非平稳高斯过程的自适应机器人信息收集
机器人学
2024-04-16 v3
摘要
机器人信息收集(RIG)是一个基础研究方向,旨在回答机器人(团队)如何收集信息性数据,以在机器人本体约束下高效构建未知目标函数的准确模型。RIG有许多应用,包括但不限于自主探索与建图、三维重建或检测、搜索救援以及环境监测。RIG系统依赖于概率模型的预测不确定性来识别用于信息性数据收集的关键区域。具有平稳核的高斯过程(GPs)已被广泛用于空间建模。然而,真实世界的空间数据通常是非平稳的——不同位置不具有相同的变异程度。因此,预测不确定性不能准确揭示预测误差,限制了RIG算法的成功率。我们提出了一类称为注意力核(AK)的非平稳核,它简单、鲁棒,并且可以将任何现有核扩展为非平稳核。我们在高程建图任务中评估了新核,其中AK相比常用的平稳核和领先的非平稳核提供了更好的精度与不确定性量化。改进的不确定性量化引导下游信息性规划器围绕高误差区域收集更有价值的数据,进一步提高预测精度。一项现场实验表明,所提方法可引导自主水面艇(ASV)优先在空间变化显著的位置收集数据,使模型能够刻画显著的环境特征。
引用
@article{arxiv.2306.01263,
title = {Adaptive Robotic Information Gathering via Non-Stationary Gaussian Processes},
author = {Weizhe Chen and Roni Khardon and Lantao Liu},
journal= {arXiv preprint arXiv:2306.01263},
year = {2024}
}
备注
International Journal of Robotics Research (IJRR). Code: pypolo.readthedocs.io. arXiv admin note: text overlap with arXiv:2205.06426