面向高效机器人信息收集的概率在线注意力映射: POAM

高斯过程(GP)模型因其对复杂现象的非参数灵活性以及准确量化预测不确定性的能力，在探索未知环境的机器人信息收集(RIG)中广泛应用。以往工作通过改进机器人的采样策略以聚焦于非平稳环境中信息丰富的区域，从而提高RIG的数据效率。然而，当在计算资源有限的大规模环境中使用GP模型时，计算效率成为瓶颈。我们提出了框架—概率在线注意力映射(POAM)，该框架利用非平稳注意力核的建模优势，同时实现在线决策的常数时间复杂度。POAM通过变分期望最大化引导优化过程，提供诱导输入、变分参数和超参数的常数时间更新规则。大量实验在主动水深测绘任务中表明，POAM在计算效率、模型准确性和不确定性量化能力方面显著优于现有的在线稀疏GP模型。