自主空中源搜寻中的并发主动学习：用于探索与利用的对偶控制
系统与控制
2024-03-13 v2 系统与控制
摘要
本文针对使用配备机载传感器的自主平台在未知环境中进行源搜寻的问题，开发了一种并发学习框架。不同于现有需要大量算力进行贝叶斯估计与路径规划的方案，所提方案在机载处理器上计算可行。提出了一种利用多个并行估计器进行并发学习的新概念，以学习作业环境并量化估计不确定性。搜寻智能体被赋予双重能力：利用当前估计参数追踪源，以及探测环境以削弱不确定性的影响，即基于并发学习的探索与利用对偶控制（CL-DCEE）。在该设定下，控制动作不仅最小化未来智能体位置与估计源位置之间的跟踪误差，还最小化预测估计的不确定性。更重要的是，在温和噪声假设下建立了 CL-DCEE 算法的收敛性等严格证明性质，并考察了噪声对搜寻性能的影响。仿真结果验证了所提 CL-DCEE 算法的有效性。与信息论方法相比，CL-DCEE 不仅保证收敛，而且取得更优的搜寻性能并消耗远少的计算时间。
引用
@article{arxiv.2108.08062,
title = {Concurrent Active Learning in Autonomous Airborne Source Search: Dual Control for Exploration and Exploitation},
author = {Zhongguo Li and Wen-Hua Chen and Jun Yang},
journal= {arXiv preprint arXiv:2108.08062},
year = {2024}
}