AK：用于信息收集的关注核
机器人学
2022-05-16 v1
摘要
机器人信息收集（RIG）依赖于概率模型的不确定性来识别关键区域以实现高效数据采集。具有平稳核的高斯过程（GPs）已被广泛采用用于空间建模。然而，真实世界的空间数据通常不满足平稳性假设，即不同位置被假设具有相同的变异程度。因此，预测不确定性无法准确捕捉预测误差，限制了RIG算法的成功率。我们提出一类新颖的非平稳核，称为关注核（AK），它简单、鲁棒，并可将任何现有核扩展为非平稳核。我们在高程映射任务中评估了该新核，其中AK相比常用的RBF核及其他流行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RIG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）优先在高空间变化位置采集数据，使模型能够刻画显著的环境特征。
引用
@article{arxiv.2205.06426,
title = {AK: Attentive Kernel for Information Gathering},
author = {Weizhe Chen and Roni Khardon and Lantao Liu},
journal= {arXiv preprint arXiv:2205.06426},
year = {2022}
}
备注
Proceedings of Robotics: Science and Systems (RSS), 2022. https://weizhe-chen.github.io/attentive_kernels/