基于高斯过程的多主体清晰度感知动态覆盖

本文提出了两种用于时空环境中多主体动态覆盖的算法，其覆盖算法受数据同化方法的启发。特别是，我们展示，通过显式建模环境使用高斯过程（GP）模型，并考虑机器人团队的感知能力和动态特性，我们可以设计一种估计算法和多主体覆盖控制器，用于探索和估计时空环境的状态。估计的不确定性使用清晰度（clarity）量化，这是一种信息论度量，其中更高的清晰度对应更低的不确定性。通过利用 GP 与随机微分方程（SDE）之间的关系，我们量化了由于来自任何其他位置的测量，估计状态在任意位置清晰度的增加。我们利用这一关系设计了两种新的覆盖控制器，这两种控制器都能随主体数量的增加而良好扩展，假设机器人可以通过通信共享清晰度在空间域上的地图。我们通过模拟 Austria 区域内一队收集风力数据的机器人来演示这些算法。