关于自主环境监测方法的调查:为了统一积极感知和强化学习
David Mansfield1, Allahyar Montazeri1
1Lancaster University, School of Engineering, Lancaster, United Kingdom.
Frontiers in robotics and AI
|March 27, 2024
概括
本研究提出了一个强化学习框架,用于使用移动传感系统进行智能环境监测. 它统一了各种任务,解决了模拟与气候危机解决方案的现实应用之间的差距.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 环境污染和气候危机需要先进的监测解决方案.
- 移动传感系统提供了具有成本效益和适应性的环境监测.
- 需要智能和强大的系统来处理动态的操作环境.
研究的目的:
- 为主动感知作为强化学习问题的统一框架提出建议.
- 在一个单一的框架内整合各种环境监测任务.
- 弥合强化学习理论与实际环境监测应用之间的差距.
主要方法:
- 制定积极感知作为一个强化学习问题.
- 制定一个统一的框架,用于覆盖,巡逻,寻找来源,勘探和搜救等任务.
- 进行关于环境主动传感强化学习的批判性文献综述.
主要成果:
- 拟议的框架统一了多个重要的环境监测任务.
- 强化学习 (RL) 促进了对极端条件的智能和强大的传感器进行训练.
- 现有的研究主要仍在模拟中,实际实施有限.
结论:
- 强化学习具有环境主动感应的巨大潜力.
- 需要更多的实践实施和研究多代理系统,以进行主动传感.
- 统一框架促进了RL在现实环境监测中的应用.


