Leveraging Predictive Models for Adaptive Sampling of Spatiotemporal Fluid Processes

要約

タイトル：時空間的流体プロセスの適応的サンプリングのための予測モデルの活用

要約：
– 時空間的流体プロセスを持続的に監視するためには、データサンプリングと監視されるプロセスの予測モデリングが必要である。
– 本論文では、PASSTアルゴリズムを提案する。これは、予測モデルベースの適応的ロボットサンプリングアルゴリズムであり、与えられた関心領域内で流体プロセスを効率的かつ持続的に監視するために予測モデルを利用する。
– PASSTは、学習された予測モデルの予測を利用して、自律型車両のためのパスを計画し、興味のある領域を適応的かつ効率的に調査するアルゴリズムである。
– 標準の数値シミュレーションや他の比較可能な計算流体力学モデルによって得られた流体データよりも、我々の予測モデルであるKnowledge-based Neural Ordinary Differential Equationsは、数桁小さく、より高速に実行できる。
– パス計画には、フィールド予測を報酬関数として使用する強化学習ベースの計画アルゴリズムを使用する。
– PASSTアルゴリズムを数値シミュレーションと実世界の海洋流量データで評価し、長時間の時間枠で興味のある領域の時空間フィールドをサンプリングできることを示す。
– 学習されたモデルのトレーニングレパートリーにない流体プロセスからサンプリングするPASSTアルゴリズムの汎用性も評価する。

要約(オリジナル)

Persistent monitoring of a spatiotemporal fluid process requires data sampling and predictive modeling of the process being monitored. In this paper we present PASST algorithm: Predictive-model based Adaptive Sampling of a Spatio-Temporal process. PASST is an adaptive robotic sampling algorithm that leverages predictive models to efficiently and persistently monitor a fluid process in a given region of interest. Our algorithm makes use of the predictions from a learned prediction model to plan a path for an autonomous vehicle to adaptively and efficiently survey the region of interest. In turn, the sampled data is used to obtain better predictions by giving an updated initial state to the predictive model. For predictive model, we use Knowledged-based Neural Ordinary Differential Equations to train models of fluid processes. These models are orders of magnitude smaller in size and run much faster than fluid data obtained from direct numerical simulations of the partial differential equations that describe the fluid processes or other comparable computational fluids models. For path planning, we use reinforcement learning based planning algorithms that use the field predictions as reward functions. We evaluate our adaptive sampling path planning algorithm on both numerically simulated fluid data and real-world nowcast ocean flow data to show that we can sample the spatiotemporal field in the given region of interest for long time horizons. We also evaluate PASST algorithm’s generalization ability to sample from fluid processes that are not in the training repertoire of the learned models.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI