LASER: 連続場再構成のための能動センシング学習
LASER: Learning Active Sensing for Continuum Field Reconstruction
固定センサ配置に依存せず、物理場の状態に応じてセンサを動かす能動センシングを強化学習で実現し、疎な観測から高精度に場を再構成する手法を提案した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Huayu Deng, Jinghui Zhong, Xiangming Zhu, Yunbo Wang, Xiaokang Yang
分類: cs.LG, cs.AI, cs.CE
原文アブストラクト
High-fidelity measurements of continuum physical fields are essential for scientific discovery and engineering design but remain challenging under sparse and constrained sensing. Conventional reconstruction methods typically rely on fixed sensor layouts, which cannot adapt to evolving physical states. We propose LASER, a unified, closed-loop framework that formulates active sensing as a Partially Observable Markov Decision Process (POMDP). At its core, LASER employs a continuum field latent world model that captures the underlying physical dynamics and provides intrinsic reward feedback. This enables a reinforcement learning policy to simulate ''what-if'' sensing scenarios within a latent imagination space. By conditioning sensor movements on predicted latent states, LASER navigates toward potentially high-information regions beyond current observations. Our experiments demonstrate that LASER consistently outperforms static and offline-optimized strategies, achieving high-fidelity reconstruction under sparsity across diverse continuum fields.
関連論文
- 実環境適応型の次最良視点選択による能動的3D再構成能動センシング
- 能動センシングによる探索と追跡：サーベイ能動センシング
- 情報量の多い計測列を最適化する動的計画法アルゴリズム能動センシング
- 電波と視覚の確率的能動センシングによる送信機探索能動センシング
- 流体シミュレーションを用いたガス漏れ源の能動的定位能動センシング
