基于贝叶斯核推理和优化的具有高置信度的自主机器人探索
原文中文,约500字,阅读约需2分钟。发表于: 。在未知和复杂环境中,提高基于信息的自主机器人探索效率;首先使用高斯过程回归学习替代模型来推断查询控制行为的具有信心的互信息;然后采用由预测的信心丰富的互信息值和预测的不确定性组成的目标函数来进行贝叶斯优化(即基于高斯过程的贝叶斯优化);对高互信息值的最佳行动(开发)和预测方差较高的行动(探索)之间的权衡可以实现;为了进一步提高基于高斯过程的贝叶斯优化的效率,提出了一种基于贝叶斯核推断和优化(...
该文介绍了一种基于高斯过程回归学习的自主机器人探索方法,通过贝叶斯优化实现权衡开发和探索,提高了探索效率。同时,提出了一种基于贝叶斯核推断和优化的新型信息增益推断方法,实现了近似对数复杂度而无需训练。实验结果表明该方法在不同的环境中具有理想的效率和探索性能。