[发明专利]用于训练高斯过程回归模型的设备和方法

说明书

用于训练高斯过程回归模型的设备和方法。根据各种实施例，描述了用于训练高斯过程回归模型的方法，包括：基于训练数据点集合训练高斯过程回归模型，其中每个训练数据点与传感器数据函数值和一个或多个传感器数据导数值相关联；确定附加训练数据点的批次，其基于从所述批次的传感器数据函数值和传感器数据导数值的预测协方差矩阵中选择的部分预测协方差矩阵的度量的优化，部分预测协方差矩阵包括所述批次的传感器数据函数值的预测协方差；以及基于传感器数据函数值和与附加训练数据点相关联的一个或多个传感器数据导数值来更新高斯过程回归模型。

技术领域

本公开涉及用于训练高斯过程回归模型的设备和方法。

背景技术

主动学习考虑用于监督式学习的顺序数据标记的过程，其旨在利用尽可能少的所选训练实例实现期望的准确度。该方法在包括用于监督式模型学习的数据生成在内的许多应用中是有用的。

然而，在许多实际设置中，取代于单个顺序查询而并行执行多个查询更具成本效益，例如，学习用于机器人导航的高度图和用于控制器优化的实验生成。这样的问题已经在批模式主动学习（BAL）领域中进行了研究。

由C. Plagemann 等人在2009年《野外机器人杂志》 中的发表物“A BayesianRegression Approach to Terrain Mapping and an Application to Legged RobotLocomotion”应对从稀疏和有噪声的高程测量中学习地形表面的概率模型。将学习形式化为回归问题，并且基于非平稳高斯过程导出解。

发明内容

具有独立权利要求1（第一示例）和14（第十四示例）的特征的方法和设备允许包括导数信息的高斯过程回归模型的高效训练。与没有导数信息的训练相比，考虑导数信息允许以更高的准确度和/或基于更少的训练数据点来训练高斯过程回归模型。

一种用于训练高斯过程回归模型的方法可以包括：基于训练数据点集合训练高斯过程回归模型，其中每个训练数据点与传感器数据函数值和一个或多个传感器数据导数值相关联；确定附加训练数据点的批次，其基于从所述批次的传感器数据函数值和传感器数据导数值的预测协方差矩阵中选择的部分预测协方差矩阵的度量的优化，部分预测协方差矩阵包括所述批次的传感器数据函数值的预测协方差；以及基于传感器数据函数值和与附加训练数据点相关联的一个或多个传感器数据导数值来更新高斯过程回归模型。本段中提到的方法提供了第一示例。所述方法例如可以是计算机实现的方法。

所述方法可以进一步包括控制传感器获取传感器数据，从所述传感器数据可以导出传感器数据函数值和传感器数据导数值，以及从获取的传感器数据导出传感器数据函数值和传感器数据导数值。本段中提到的特征与第一示例相组合提供了第二示例。

所述方法可以进一步包括基于部分预测协方差矩阵的一个或多个特征值的度量的最大化来选择所述批次。本段中提到的特征与第一示例至第二示例中的任何一个相组合提供了第三示例。

矩阵的度量可以是部分预测协方差矩阵的迹、行列式或最大特征值。本段中提到的特征与第一示例至第三示例中的任何一个相组合提供了第四示例。

所述方法可以进一步包括基于在数据点空间的一个或多个方向上附加训练数据点的传感器数据函数值的预测方差的最大化来选择所述批次。本段中提到的特征与第一示例至第四示例中的任何一个相组合提供了第五示例。

所述方法可以进一步包括基于附加训练数据点的传感器数据函数值的预测协方差矩阵的一个或多个主要方向度量的最大化来选择所述批次。本段中提到的特征与第一示例至第五示例中的任何一个相组合提供了第六示例。根据第三示例至第六示例中的一个示例的批次选择允许例如依据所需数量的测量对高斯过程回归模型的高效训练。