基于注意力机制的分层强化学习与粒子滤波用于动态场中的源位置定位
机器学习
2025-01-23 v1 人工智能
摘要
在许多实际场景中，如气体泄漏检测或环境污染物轨迹跟踪，解决逆源位置定位与特征描述问题需要导航复杂的动态场，同时面临稀疏且噪声较大的观测。传统方法面临显著挑战，包括部分可观测性、时空动态性、跨分布泛化以及奖励稀疏性。为此，我们提出一种分层框架，集成贝叶斯推断与强化学习。该框架利用注意力增强的粒子滤波机制实现高效且准确的信念更新，并纳入两种互补的执行策略：注意力粒子滤波规划与注意力粒子滤波强化学习。这两种方法在不确定性下优化探索与适应性。理论分析证明了注意力增强粒子滤波的收敛性，而大量实验在多样化场景下的验证表明，该框架在准确性、适应性和计算效率方面均表现优异。我们的结果突显了该框架在动态场估计任务中广泛应用潜力。
引用
@article{arxiv.2501.13084,
title = {Attention-Driven Hierarchical Reinforcement Learning with Particle Filtering for Source Localization in Dynamic Fields},
author = {Yiwei Shi and Mengyue Yang and Qi Zhang and Weinan Zhang and Cunjia Liu and Weiru Liu},
journal= {arXiv preprint arXiv:2501.13084},
year = {2025}
}