.png){kind=icon}
返回
Fully differentiable sensor placement and informative path planning
.png){kind=icon}
PRE
AI
DOI：10.1177/02783649251384993.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传感器放置（SP）和信息路径规划（IPP）问题在环境监测中普遍存在。这些问题要求从有限的传感位置收集最具有信息量的数据，但现有解决方案面临困难的权衡。现有方法通常要么计算效率高但信息量较少，要么信息量较大但计算成本过高，不适用于实际应用，尤其是在资源受限的机器人上。此外，许多方法受限于需要环境离散化或依赖缓慢的、无导数的优化技术。本文为SP问题引入了一种新颖的计算高效变分公式。我们的方法相对于传感位置是可微的，能够在连续空间中实现快速的基于梯度的优化，并在计算成本仅为基于MI方法的一小部分的情况下，提供与之相当的性能。我们将我们的公式确立为稀疏高斯过程（SGPs）的一个特例。这种联系使我们能够将该方法推广，用于解决单机器人和多机器人系统的IPP问题，高效地整合可微路径约束和多样化的传感器类型。该方法通过广泛的基准测试和与自主水面车辆（ASV）及自主水下车辆（AUV）的实地实验进行了验证。我们还提供了SGP-Tools——一个开源Python库，以及适用于基于Ardupilot的移动机器人的配套ROS 2软件包。
期刊
T
IF:
0
论文数:
126
被引数:
0
机构
引用论文
Adaptive Informative Path Planning Using Deep Reinforcement Learning for UAV-based Active Sensing
OAAI
OAAI分享收藏分享收藏Approximate computational approaches for Bayesian sensor placement in high dimensions.png)
INFORMATION FUSION
OAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏
查看更多内容