Bounomodes：基于 grazing ox 算法的聚类异常探索
机器人学
2025-07-10 v1
摘要
信息性路径规划（IPP）的常见算法类遵循牛车翻越（boustrophedon）模式，以实现均匀的区域覆盖。然而，IPP常被用于异常情形，如植物疾病、污染或飓风损伤等，这些情形往往呈现聚集状。在此类情况下，优先探索异常区域而非实现均匀覆盖更为有益。本工作引入了称为bounomodes（“牛车放羊”）的算法类，这些算法在均匀的牛车翻越采样与对检测到的异常聚类的定向探索之间交替。虽然均匀采样可基于几何原理设计，但对聚类的密集探索取决于异常的空间分布，必须通过学习来实现。在我们的实现中，使用深度强化学习算法学习密集探索行为。实验评估表明，所提出的方法优于Several established baselines。
引用
@article{arxiv.2507.06960,
title = {Bounomodes: the grazing ox algorithm for exploration of clustered anomalies},
author = {Samuel Matloob and Ayan Dutta and O. Patrick Kreidl and Swapnonel Roy and Ladislau Bölöni},
journal= {arXiv preprint arXiv:2507.06960},
year = {2025}
}