Comparing Active Learning Performance Driven by Gaussian Processes or Bayesian Neural Networks for Constrained Trajectory Exploration

要約

自律性が高まったロボットは、特に現場での探査やサンプリングなど、人間の探査者の代わりとなる宇宙探査能力を向上させています。
現在、科学的目的を達成するために人間がロボットを運転していますが、ロボットの位置によっては、人間のオペレーターとロボットの間で情報や運転コマンドを交換することにより、任務遂行に過度の遅れが生じる可能性があります。
科学的目的と探査戦略をコード化した自律型ロボットは、通信の遅延がなく、より迅速に任務を遂行できます。
アクティブ ラーニング アルゴリズムは、このインテリジェントな探索機能を提供しますが、基礎となるモデル構造によって、環境を正確に理解する際のアクティブ ラーニング アルゴリズムのパフォーマンスが異なります。
この論文では、惑星表面探査機のような軌道に制約のあるエージェントにエンコードされた探査戦略について、ガウス プロセスまたはベイジアン ニューラル ネットワークによって駆動されるアクティブ ラーニング アルゴリズム間のパフォーマンスの違いを調査します。
これら 2 つのアクティブ ラーニング戦略は、複数のデータセットに沿った対象変数の空間分布を予測するために、科学盲目的な戦略に対してシミュレーション環境でテストされました。
対象となるパフォーマンス メトリクスは、二乗平均平方根 (RMS) 誤差におけるモデルの精度、トレーニング時間、モデルの収束、収束までの総移動距離、および収束までの総サンプルです。
ガウス プロセスでエンコードされたアクティブ ラーニング戦略は、トレーニングに必要な計算量が少なく、より迅速に正確なモデルに収束し、より短い距離の軌道を提案します。ただし、ベイジアン ニューラル ネットワークが大規模なデータ領域でより正確なモデルを達成するいくつかの複雑な環境を除きます。
より表現力豊かな機能ベースに。
この文書は、将来の宇宙ミッションのためにいずれかの探査戦略をいつ、どのように実施するかについてのアドバイスで締めくくられています。

要約(オリジナル)

Robots with increasing autonomy progress our space exploration capabilities, particularly for in-situ exploration and sampling to stand in for human explorers. Currently, humans drive robots to meet scientific objectives, but depending on the robot’s location, the exchange of information and driving commands between the human operator and robot may cause undue delays in mission fulfillment. An autonomous robot encoded with a scientific objective and an exploration strategy incurs no communication delays and can fulfill missions more quickly. Active learning algorithms offer this capability of intelligent exploration, but the underlying model structure varies the performance of the active learning algorithm in accurately forming an understanding of the environment. In this paper, we investigate the performance differences between active learning algorithms driven by Gaussian processes or Bayesian neural networks for exploration strategies encoded on agents that are constrained in their trajectories, like planetary surface rovers. These two active learning strategies were tested in a simulation environment against science-blind strategies to predict the spatial distribution of a variable of interest along multiple datasets. The performance metrics of interest are model accuracy in root mean squared (RMS) error, training time, model convergence, total distance traveled until convergence, and total samples until convergence. Active learning strategies encoded with Gaussian processes require less computation to train, converge to an accurate model more quickly, and propose trajectories of shorter distance, except in a few complex environments in which Bayesian neural networks achieve a more accurate model in the large data regime due to their more expressive functional bases. The paper concludes with advice on when and how to implement either exploration strategy for future space missions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google