基于向量值高斯随机场漂移集学习的自主海洋采样
应用统计
2020-08-19 v2 机器学习
统计计算
机器学习
摘要
改进和优化海洋采样是海洋科学及海洋资源管理的紧要任务。面对理解水柱过程中资源的有限性，统计学与自主系统的结合为实验设计提供了新机遇。本工作中，我们开发了高效的空间采样方法，用于刻画由多个响应同时超出给定阈值的区域，应用重点是基于温度和盐度测量绘制海岸海洋现象图。具体而言，我们基于向量值高斯随机场漂移集的不确定性定义了一种设计准则，并推导了该框架下期望积分伯努利方差缩减的易处理表达式。我们展示了如何利用该准则在模糊位置优先安排采样工作，使探索更为高效。我们通过仿真研究并比较所考虑方法的特性，随后给出了自主水下航行器在现场部署中绘制河流羽流边界的结果。结果展示了统计方法与机器人平台结合以有效指导并执行数据驱动环境采样的潜力。
引用
@article{arxiv.2007.03722,
title = {Learning excursion sets of vector-valued Gaussian random fields for autonomous ocean sampling},
author = {Trygve Olav Fossum and Cédric Travelletti and Jo Eidsvik and David Ginsbourger and Kanna Rajan},
journal= {arXiv preprint arXiv:2007.03722},
year = {2020}
}