论文阅读笔记_008 Bayesian Optimisation for Intelligent Environmental Monitoring

1. 前言

本文介绍了如何利用贝叶斯优化 构建合理的环境监测传感器网络 以及如何利用贝叶斯优化使机器人进行环境探索。

 

环境监测传感器网络布置与机器人环境探索的共同点在于采样

• 如何用更少的传感器构建更接近真实的环境模型？
• 如何用更少的探索动作构建更完整的地图？

 

1. 论文研究内容介绍

Bayesian Optimisation 的步骤如下图所示：

首先，通过高斯过程构建先验环境模型，然后根据环境模型构建采集函数（Acquisition Function）；获取优化结果作为下一步状态目标；状态更新获得测量再利用高斯过程更新环境模型。多次迭代后可以得到一个较为精准的环境模型。$\mu $

 

可以看出算法的关键在于采集函数的设置，常用的采集函数为 Upper Confidence Bound (UCB)：

其中参数大的时候采集函数输出偏向探索，小的时候采集函数输出偏向利用（回环）。

论文中提出了一种考虑距离信息的采样函数 Distance-based Upper Confidence Bound (DUCB)

1. 实验部分

实验部分有两点我觉得可以借鉴的地方：

（1）在对比臭氧浓度结果时作者提出加权均方根误差（Weighted Root Mean Squared Error, WRMSE）来代替均方根误差(Root Mean Squared Error, RMSE)巧妙的将论文方法的弱点变成的优点

（2）在室内实验部分，利用小车调查室内光强时获取GT的方式可以借鉴：