面向多模态感知自适应信息路径规划的序贯贝叶斯优化
人工智能
2022-09-19 v1 机器人学
摘要
多模态感知自适应信息路径规划（AIPPMS）考虑一个装备多种传感器的智能体问题，每种传感器具有不同的感知精度与能量代价。该智能体的目标是在未知、部分可观测环境中，受其资源约束地探索环境并收集信息。先前工作聚焦于较不通用的自适应信息路径规划（AIPP）问题，仅考虑智能体运动对接收观测的影响。AIPPMS 问题增加了额外复杂性：要求智能体在联合推理感知与运动影响的同时，平衡资源约束与信息目标。我们将 AIPPMS 问题表述为带高斯过程信念的信念马尔可夫决策过程，并采用带在线规划的序贯贝叶斯优化方法求解。我们的方法在几乎所有实验中以超过两倍的 average reward 一致优于先前 AIPPMS 解法，同时将环境信念的均方根误差降低 50%。我们完全开源了实现以促进进一步开发与比较。
引用
@article{arxiv.2209.07660,
title = {Sequential Bayesian Optimization for Adaptive Informative Path Planning with Multimodal Sensing},
author = {Joshua Ott and Edward Balaban and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:2209.07660},
year = {2022}
}