存在异常值时的信息规划

信息规划旨在寻找一系列动作，引导机器人收集最具信息量的数据，以构建大规模环境模型或学习动力系统。现有信息规划工作主要集中于提出新规划器并将其应用于各种机器人应用，如环境监测、自主探索和系统辨识。信息规划器优化由概率模型（如高斯过程回归（GPR））给出的目标函数。在实践中，无处不在的感知异常值很容易影响模型，导致目标函数产生误导。一个直接的解决方案是使用现成的异常值检测器滤除感知数据流中的异常值。然而，信息样本本身也很稀缺，因此可能被错误地滤除。在本文中，我们提出了一种方法，使机器人除了优化信息规划目标外，还能重新访问异常值采样的位置。机器人可以在异常值附近收集更多样本，并更新异常值检测器以减少误报数量。我们通过为帕累托蒙特卡洛树搜索（MCTS）设计一个新的目标函数来实现这一点。我们证明，所提出的框架比简单应用异常值检测器表现更好。