不确定性下主动目标搜索的快速神经网络近似
机器学习
2026-04-27 v1 多智能体系统
摘要
我们解决了搜索未知目标数量位于未知位置的 stationary targets 的问题。采用概率假设密度滤波器估计测量不确定性下的预期目标数量。现有规划方法，如主动搜索 (AS) 及其间歇变体 (ASI)， 能够实现精确检测，但需要高昂的在线优化。为降低在线计算成本，我们提出使用卷积神经网络通过直接推断来近似 AS 或 ASI 的决策。该网络基于 AS/ASI 数据训练， 使用多通道网格对目标信念、智能体位置、访问历史和边界信息进行编码。针对均匀分布和聚类目标分布进行仿真， 结果表明该网络在检测率方面可与 AS 或 ASI 相当， 而计算成本则降低了数量级。
引用
@article{arxiv.2604.22254,
title = {Fast Neural-Network Approximation of Active Target Search Under Uncertainty},
author = {Bilal Yousuf and Zsofia Lendek and Lucian Busoniu},
journal= {arXiv preprint arXiv:2604.22254},
year = {2026}
}