大规模海洋深度信息规划的高效非占有性分层贝叶斯优化
机器人学
2024-10-22 v1
摘要
应用贝叶斯优化(Bayesian Optimization, BO)进行信息性路径规划(IPP)可用于深潜自动船(AUV)在海洋深度图中聚焦于特征丰富的区域，从而快速减少不确定性并提高映射效率。现有方法基于高斯过程(Gaussian Process, GP)的贝叶斯优化在小规模场景中表现良好，但在大范围映射时显得目标短视且计算负担沉重，限制了其在实际应用中的部署。为克服此问题，我们提出一种两层贝叶斯优化IPP方法，采用树状搜索方式在大规模随机变分高斯过程地图上执行非占有性、实时规划，同时遵守AUV运动约束并考虑定位不确定性。我们的框架在基于嵌入式平台上的一组硬件在环(Hardware-in-the-Loop, HIL)实验中优于标准工业草坪修剪模式和一种占有性基线方法。
引用
@article{arxiv.2410.15720,
title = {Efficient Non-Myopic Layered Bayesian Optimization For Large-Scale Bathymetric Informative Path Planning},
author = {Alexander Kiessling and Ignacio Torroba and Chelsea Rose Sidrane and Ivan Stenius and Jana Tumova and John Folkesson},
journal= {arXiv preprint arXiv:2410.15720},
year = {2024}
}
备注
6 pages + 1 page of references, 4 figures, submitted to International Conference on Robotics and Automation (ICRA)