使用异构机器人团队对潜在现象进行自适应采样（ASLaP-HR）
摘要
本文提出一种在线自适应规划策略，供配备异构传感器的机器人团队利用学习模型进行决策，从潜在空间场中采样。当前机器人采样方法旨在收集可观测空间场的信息。然而，诸多应用（如环境监测与精准农业）涉及不可直接观测或测量代价高昂的现象，称为潜在现象。我们的方法借助配备异构传感器的机器人团队有效采样可观测空间场，实时推断潜在现象，其中每台机器人具有独特传感器以测量不同可观测场。信息增益通过使用学习模型估计，该模型将从可观测空间场映射到潜在现象。此模型捕捉关系中的偶然不确定性，以支持信息论度量。此外，我们显式考虑可观测空间场间的相关性，刻画观测不独立的传感器类型间关系。我们展示了学习这些相关性的可行性，并研究了所学相关模型对采样方法性能的影响。定性与定量结果表明，经验学习的关联性提升了团队整体采样效率。我们使用在魁北克 Lac Hertel 采集的传感器测量数据集模拟本方法，该数据集已公开。
引用
@article{arxiv.2208.06053,
title = {Adaptive Sampling of Latent Phenomena using Heterogeneous Robot Teams (ASLaP-HR)},
author = {Matthew Malencia and Sandeep Manjanna and M. Ani Hsieh and George Pappas and Vijay Kumar},
journal= {arXiv preprint arXiv:2208.06053},
year = {2022}
}
备注
(c) 2022 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works