跳到正文
arXiv cs.MA· Alejandro Casado-P\'erez, Marija Popovi\'c, Daniel Guti\'errez-Reina, Sergio L. Toral., Samuel Yanes·· 9 小时前AI 评分22

校准更优、规划更好:面向溢油监测的不确定性感知多ASV信息路径规划

Better Calibrated, Better Planned: Uncertainty-Aware Multi-ASV Informative Path Planning for Oil Spill Monitoring

AI 导读

研究将证据深度学习(EDL)作为不确定性校准的信息模型,用于多艘自主水面艇(ASV)通过共享不确定性地图在线协同的溢油监测信息路径规划。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:使用自主水面航行器(ASV)集群监测溢油,需要在严格的时间和能量预算下,从稀疏、含噪的测量中绘制异质污染物场。信息路径规划(IPP)通过将推断场及其不确定性的重建模型与决定下一步采样位置的规划器相耦合来解决这一问题。先前的工作主要关注规划策略,并且大多依赖高斯过程(GP),而对模型不确定性的校准研究不足。我们研究了不确定性校准如何影响由 ASV 集群组成的多车 IPP,该集群通过共享的不确定性图进行在线协调。我们引入证据深度学习(EDL)作为不确定性校准的信息模型。我们在基于物理的溢油模拟中,将 EDL、蒙特卡洛 Dropout 和深度集成与 GP 在闭环中与五种规划器进行基准比较。在 60 张图上,模型的选择主导了结果,解释了最终重建误差方差的 80\%,而在深度模型中规划器仅占 1\%。EDL 在每种规划器下都取得了最低误差和最高 IoU,是校准最好的模型,每步运行时间为 3.9 ms。在每辆车 50 个单元的情况下,其溢油重建效果优于使用 150 个单元的 MC Dropout 和深度集成。深度集成随着误差增大而变得更加自信,而 EDL 不受影响。因此,信息模型对其自身规划器所收集数据的鲁棒性是不确定性感知 IPP 的一项要求。
评论: 11 页,7 幅图,已提交至 IEEE Internet of Things Journal
主题: 机器人学(cs.RO);机器学习(cs.LG);多智能体系统(cs.MA)
ACM 分类: I.2.9;I.2.6
引用为: arXiv:2611.21783 [cs.RO]
  (或 arXiv:2611.21783v1 [cs.RO] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.21783

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Alejandro Casado-Pérez [查看电子邮件]
[v1] 2026 年 11 月 16 日星期一 19:07:11 UTC(727 KB)

来源:arXiv cs.MA · arxiv.org