Multi-Objective and Model-Predictive Tree Search for Spatiotemporal Informative Planning

要約

ロボットによる環境モニタリングにおける適応的なサンプリングと計画は、対象となる環境プロセスが時空とともに変化する場合には困難を伴います。
根底にある環境力学では、以前に行われた行動決定がすぐに時代遅れにならないように、計画モジュールが将来の環境変化を統合する必要があります。
我々は、宇宙における環境探査と開発のバランスをうまくとるだけでなく、時間的な環境動態をも把握するモンテカルロ木探索法を提案する。
これは、多目的最適化と先読みモデル予測報酬メカニズムを組み込むことによって実現されます。
ロボットがシミュレーションおよび予測された時空間環境プロセスを活用できるようにすることで、環境モデルの二乗平均平方根誤差と地面までの距離の点で他のベースライン手法と比較した後、提案された有益な計画アプローチが優れたパフォーマンスを達成することを示します。
真実。

要約(オリジナル)

Adaptive sampling and planning in robotic environmental monitoring are challenging when the target environmental process varies over space and time. The underlying environmental dynamics require the planning module to integrate future environmental changes so that action decisions made earlier do not quickly become outdated. We propose a Monte Carlo tree search method which not only well balances the environment exploration and exploitation in space, but also catches up to the temporal environmental dynamics. This is achieved by incorporating multi-objective optimization and a look-ahead model-predictive rewarding mechanism. We show that by allowing the robot to leverage the simulated and predicted spatiotemporal environmental process, the proposed informative planning approach achieves a superior performance after comparing with other baseline methods in terms of the root mean square error of the environment model and the distance to the ground truth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google