构建高保真机动性地图的主动学习框架
机器学习
2020-03-10 v1 机器学习
摘要
机动性地图提供给定地形上可实现的最大速度，对于自主地面车辆在越野环境中的路径规划至关重要。虽然基于物理的仿真在创建下一代高保真机动性地图中起着核心作用，但它们繁琐且昂贵。例如，一次典型仿真在超级计算机上可能需要数周运行，且每张地图需要数千次此类仿真。美国陆军 CCDC 地面车辆系统中心近期的工作表明，训练好的机器学习分类器可大幅提升该过程的效率。然而，决定运行哪些仿真以高效训练分类器仍是一个开放问题。根据 PAC 学习理论，可被分类器分离的数据预计需要 个随机选取的点（仿真）来训练误差小于 的分类器。本文在现有算法基础上，引入了一种主动学习范式，在不牺牲精度的前提下大幅减少了训练机器学习分类器所需的仿真次数。实验结果表明，与随机采样相比，我们的采样算法能用少于一半的仿真次数以更高精度训练神经网络。
引用
@article{arxiv.2003.03517,
title = {An Active Learning Framework for Constructing High-fidelity Mobility Maps},
author = {Gary R. Marple and David Gorsich and Paramsothy Jayakumar and Shravan Veerapaneni},
journal= {arXiv preprint arXiv:2003.03517},
year = {2020}
}