POAM: Probabilistic Online Attentive Mapping for Efficient Robotic Information Gathering

要約

ガウス プロセス (GP) モデルは、ノンパラメトリックな柔軟性で複雑な現象をモデル化し、予測の不確実性を正確に定量化できるため、未知の環境を探索するロボット情報収集 (RIG) に広く使用されています。
これまでの研究では、ロボットのサンプリング戦略を改善して非定常環境における情報を提供する領域に焦点を当てることで、RIG のデータ効率を向上させるための情報プランナーと適応 GP モデルを開発しました。
ただし、計算リソースが限られた大規模環境で GP モデルを使用する場合、計算効率がボトルネックになります。
私たちは、オンライン意思決定のための一定時間の計算複雑性を達成しながら、非定常アテンティブ カーネルのモデリングの強みを活用するフレームワークである確率的オンライン アテンティブ マッピング (POAM) を提案します。
POAM は、変分期待値最大化を通じて最適化プロセスをガイドし、入力、変分パラメーター、およびハイパーパラメーターを誘導するための定数更新ルールを提供します。
アクティブな深浅地図作成タスクにおける広範な実験により、POAM が既存のオンライン疎 GP モデルと比較して、計算効率、モデル精度、および不確実性の定量化能力を大幅に向上させることが実証されました。

要約(オリジナル)

Gaussian Process (GP) models are widely used for Robotic Information Gathering (RIG) in exploring unknown environments due to their ability to model complex phenomena with non-parametric flexibility and accurately quantify prediction uncertainty. Previous work has developed informative planners and adaptive GP models to enhance the data efficiency of RIG by improving the robot’s sampling strategy to focus on informative regions in non-stationary environments. However, computational efficiency becomes a bottleneck when using GP models in large-scale environments with limited computational resources. We propose a framework — Probabilistic Online Attentive Mapping (POAM) — that leverages the modeling strengths of the non-stationary Attentive Kernel while achieving constant-time computational complexity for online decision-making. POAM guides the optimization process via variational Expectation Maximization, providing constant-time update rules for inducing inputs, variational parameters, and hyperparameters. Extensive experiments in active bathymetric mapping tasks demonstrate that POAM significantly improves computational efficiency, model accuracy, and uncertainty quantification capability compared to existing online sparse GP models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google