利用无监督空间群落模型预测浮游植物热点
机器人学
2017-03-22 v1 应用统计
摘要
许多有趣的自然现象呈稀疏分布且离散。由于此类稀疏分布现象的密度梯度可能非常嘈杂，定位其热点往往十分困难。我们提出了一种解决该搜索问题的新方法，利用贝叶斯非参数主题模型对机器人观测之间的共现关系进行建模。即使在缺乏直接目标观测的情况下，该方法也能对目标的空间分布给出稳健的估计。我们将所提方法应用于寻找海洋中特定浮游植物分类单元热点的空间位置。我们使用来自 Imaging FlowCytobot (IFCB) 的分类图像数据，该设备可自动测量单个显微细胞及细胞群落。基于这些特定分类单元的个体观测，我们学习了一个表征分类单元之间共现关系的浮游植物群落模型。我们利用沿美国大西洋海岸航行的科学考察中收集的真实观测数据，进行了模拟机器人任务的实验。结果表明，所提方法在基于原位观测预测热点空间分布方面优于最近邻和 k-means 方法。
引用
@article{arxiv.1703.07309,
title = {Phytoplankton Hotspot Prediction With an Unsupervised Spatial Community Model},
author = {Arnold Kalmbach and Yogesh Girdhar and Heidi M. Sosik and Gregory Dudek},
journal= {arXiv preprint arXiv:1703.07309},
year = {2017}
}
备注
To appear in ICRA 2017, Singapore