EnKode：基于Koopman算子进行未知流动主动学习
机器人学
2024-10-23 v1
摘要
本文针对向量场建模中的主动采样任务提出方法。当机器人对环境现象建模时，获取高分辨率信息往往代价高昂。主动采集数据并用数据建模流动是一种更高效的替代方案。然而，在此类场景中，数据往往稀疏，需使用在捕获流动相关动态特征方面有效的建模技术，以确保最终模型具有高预测精度。为此，必须识别具有高信息价值的区域。我们提出EnKode，一种基于Koopman算子理论和集成方法的主动采样方法，可构建高质量的流动模型并有效估计模型不确定性。对于复杂流动的建模，EnKode提供的在未采样流动区域的估计与基于超参数优化的高斯过程回归模型相当或更好。此外，我们的主动感知方案比依赖均匀采样的其他策略提供更准确的流动估计。我们使用三个常见的基准系统评估EnKode：Bickley Jet、带障碍物的狭缝流动以及来自美国国家海洋大气管理局(NOAA)的真实海流。
引用
@article{arxiv.2410.16605,
title = {EnKode: Active Learning of Unknown Flows with Koopman Operators},
author = {Alice Kate Li and Thales C. Silva and M. Ani Hsieh},
journal= {arXiv preprint arXiv:2410.16605},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication