EDL 模型提升多 ASV 油污监测路径规划精度
热点事件持续更新
EDL 模型提升多 ASV 油污监测路径规划精度
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
研究团队提交论文,提出将证据深度学习(EDL)作为不确定性校准模型,用于解决自主水面车辆(ASV)在稀疏噪声测量下映射异质污染场的问题。该研究称,在包含五类规划器的闭环物理仿真基准中,引入 EDL 的配置在所有测试下均实现了最低误差与最高交并比(IoU),且每步推理耗时仅 3.9ms。论文指出模型选择主导了最终重建误差的 80% 方差,证明了不确定性感知路径规划的鲁棒性要求。目前该成果已提交至 IEEE Internet of Things Journal,涉及机器人、机器学习及多智能体系统领域。
AI 根据报道生成 · 13 小时前更新
最新进展11月18日 13:00
Better Calibrated, Better Planned:不确定性感知多 ASV 油膜监测信息路径规划研究报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv · 机器人与计算机视觉Better Calibrated, Better Planned:不确定性感知多 ASV 油膜监测信息路径规划研究
针对自主水面车辆(ASV)在稀疏噪声测量下映射异质污染场的需求,该研究引入证据深度学习(EDL)作为不确定性校准模型。在包含五类规划器的闭环物理仿真基准中,EDL 在所有配置下均实现最低误差与最高 IoU,且每步推理耗时仅 3.9ms。实验表明模型选择主导了最终重建误差的 80% 方差,证明了不确定性感知路径规划的鲁棒性要求。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月18日 14:00
- 近 24 小时变化
- –
02.557.510
14:0016:0018:0020:0022:0011月19日02:00
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。