浙大、西交大、悉尼科技大开源CARE：使用贝叶斯核推理和优化的富置信度自主机器人

#论文##开源# RA-L 2023 | 浙大、西交大、悉尼科技大开源CARE：使用贝叶斯核推理和优化的富置信度自主机器人探索 【CARE: Confidence-rich Autonomous Robot Exploration using Bayesian Kernel Inference and Optimization】 文章链接：[2309.05200] CARE: Confidence-rich Autonomous Robo... 开源代码：GitHub - Shepherd-Gregory/BKIO-Exploration 在本文中，我们考虑在未知和复杂环境中提高基于信息的自主机器人探索的效率。首先利用高斯过程( Gaussian process，GP )回归学习一个代理模型来推断查询控制动作的富置信度互信息( confidence-rich Mutual Information，CRMI )，然后采用由CRMI预测值和预测不确定性组成的目标函数进行贝叶斯优化( Bayesian optimization，BO )，即基于高斯过程的贝叶斯优化( GP-based BO，GPBO )。可以实现具有最高CRMI值的最佳动作(利用)和具有高预测方差的动作(探索)之间的权衡。为了进一步提高GPBO算法的效率，我们提出了一种基于贝叶斯核推理和优化的轻量级信息增益推理方法( BKIO ) BKIO还可以利用有界累积遗憾的BO推断CRMI并生成最佳行动，这确保了其与GPBO相当的准确性，并具有更高的效率。大量的数值和真实实验表明，在不同的非结构化、杂乱环境中，我们提出的方法在不损失探索性能的情况下达到了预期的效率。