arXiv cs.AI· Samuel Yanes Luis, Alejandro Casado P\'erez, Alejandro Mendoza Barrionuevo, Dame Seck Diop, Sergio Toral Mar\'in, Daniel Guti\'errez Reina·· 10 天前AI 评分22
校准不确定性如何提升水生环境监测中的信息路径规划
Calibrated Uncertainty for Informative Path Planning in Aquatic Environmental Monitoring
AI 导读
研究用校准良好的 Deep Ensemble 替换高斯过程，为溢油等非均匀现象的路径规划提供不确定性信号。在随机溢油场景中，Deep Ensemble 将归一化重建误差较高斯过程基线降低 83%。
正文 · AI 翻译
摘要：标量场重建的信息路径规划利用预测不确定性引导传感车辆前往信息量最大的位置。高斯过程提供了这一信号，但其平稳各向同性核对于石油泄漏等非均匀现象存在模型设定错误，会产生校准不良的估计，从而降低规划质量。我们研究用校准良好的深度集成替代高斯过程是否能改善路径规划结果，以及不确定性质量是否与规划算法的选择相互作用。五种策略（$\epsilon$-Greedy、Value Greedy、Uncertainty Greedy、Monte Carlo Tree Search 和 Receding Horizon Orienteering）共享一个在基于物理的石油泄漏模拟上训练的深度集成主干。在留出的随机泄漏场景中，深度集成相对于高斯过程基线将归一化重建误差降低了 $83\%$。关键在于，校准良好的不确定性放大了规划策略的重要性：在校准不良的模型下，算法之间的性能差距可以忽略不计，但在集成模型下则变得显著，其中多步前瞻规划器在重建误差上比贪心选择高出多达 $32\%$，并达到 $0.85$ 以上的 IoU。Monte Carlo Tree Search 是推荐的规划器，在重建质量上与 Orienteering 相当，而计算成本低一个数量级。
| 学科： | 人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2609.34577 [cs.AI] |
| （或 arXiv:2609.34577v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.34577 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Samuel Yanes Dr. [查看电子邮件]
[v1]
2026年9月28日星期一 08:23:13 UTC（1,088 KB）
[v2]
2026年10月6日星期二 09:42:29 UTC（1,088 KB）
来源：arXiv cs.AI · arxiv.org