Efficient Sensor Placement from Regression with Sparse Gaussian Processes in Continuous and Discrete Spaces

要約

センサーの配置の問題は、気温や降水量などの相関現象を監視するときに発生する一般的な問題です。
この問題に対する既存のアプローチは通常、個別の最適化手法を使用しますが、これは計算コストが高く、大規模な問題に拡張することができません。
私たちは、相関環境におけるセンサーの配置問題を、スパース ガウス過程 (SGP) を使用して効率的に解決できる回帰問題に還元することで解決します。
私たちのアプローチは、センサーが特定の位置セットのサブセットに限定される離散センサー配置問題と、境界のある連続領域内のどこにでもセンサーを配置できる連続センサー配置問題の両方を処理できます。
3 つの現実世界のデータセットに対する実験結果は、私たちのアプローチがセンサー配置を生成し、従来の最先端のアプローチと同等以上の再構築品質を一貫して実現し、かつ大幅に高速であることを示しています。
当社の計算効率の高いアプローチにより、大規模なセンサー配置と、有益な経路計画アルゴリズムのための高速ロボットセンサー配置の両方が可能になります。

要約(オリジナル)

The sensor placement problem is a common problem that arises when monitoring correlated phenomena, such as temperature and precipitation. Existing approaches to this problem typically use discrete optimization methods, which are computationally expensive and cannot scale to large problems. We address the sensor placement problem in correlated environments by reducing it to a regression problem that can be efficiently solved using sparse Gaussian processes (SGPs). Our approach can handle both discrete sensor placement problems-where sensors are limited to a subset of a given set of locations-and continuous sensor placement problems-where sensors can be placed anywhere in a bounded continuous region. Our experimental results on three real-world datasets show that our approach generates sensor placements that result in reconstruction quality that is consistently on par or better than the prior state-of-the-art approach while being significantly faster. Our computationally efficient approach enables both large-scale sensor placement and fast robotic sensor placement for informative path planning algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google