Long-Term Autonomous Ocean Monitoring with Streaming Samples

要約

自律的な海洋モニタリングタスクでは、サンプリングロボットが環境内を移動し、データを継続的に蓄積します。
広く採用されている空間モデリング手法である標準的なガウス過程 (GP) 回帰は、増大し続ける大規模なセンシング データの処理には不十分になります。
計算上の課題を克服するために、この論文では、ストリーミング スパース GP (SSGP) と呼ばれる GP のスパース バリアントを使用した環境モデリング フレームワークを紹介します。
SSGP はストリーミング データをオンラインで増分的に処理できるため、長期的な自律環境モニタリングに適しています。
SSGP は、データセット全体を最もよく表す擬似データ ポイントの小さなセットを使用して収集されたデータを要約し、ストリーミング形式でハイパーパラメーターと擬似ポイントの位置を更新します。これにより、計算コストを大幅に削減して、基礎となる環境モデルの高品質な近似を実現します。
そしてメモリ需要。

要約(オリジナル)

In the autonomous ocean monitoring task, the sampling robot moves in the environment and accumulates data continuously. The widely adopted spatial modeling method – standard Gaussian process (GP) regression – becomes inadequate in processing the growing sensing data of a large size. To overcome the computational challenge, this paper presents an environmental modeling framework using a sparse variant of GP called streaming sparse GP (SSGP). The SSGP is able to handle streaming data in an online and incremental manner, and is therefore suitable for long-term autonomous environmental monitoring. The SSGP summarizes the collected data using a small set of pseudo data points that best represent the whole dataset, and updates the hyperparameters and pseudo point locations in a streaming fashion, leading to high-quality approximation of the underlying environmental model with significantly reduced computational cost and memory demand.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google