基于物理学习的机器人环境场感知

我们提出了一种利用移动机器人学习环境场（EFs）的基于物理的方法。常见的纯数据驱动方法需要极大量的测量才能准确学习此类复杂环境场。相比之下，基于物理的模型提供了环境场的全局知识，但需要进行实验验证、依赖于不确定参数，且对移动机器人而言难以处理。为应对这些挑战，我们提出了一种贝叶斯框架，从离线生成的、作为不确定参数函数的数值解集合中实时选择最可能环境场基于物理的模型。具体而言，我们关注湍流流场，并利用高斯过程（GPs）为其构建统计模型，使用该数值解集合来设定其先验均值。为将这些流场测量值纳入高斯过程，我们控制一台定制移动机器人依次经过一系列使测量信息量最大化的航点。我们通过实验证明，与先验数值解和纯数据驱动方法相比，我们所提出的框架构建的流场后验分布能更好地逼近真实流场。