Switched Turn-based Adaptive Source Seeking Strategy using Estimation and Information-driven Direction of Improvement

技术摘要：切换转向自适应源寻踪策略

问题定义
本文研究了源寻踪（source seeking）问题，即通过机载传感器收集的有噪声标量测量值，估计未知信号场的起源并引导无人智能体向该区域移动。智能体在平面工作空间内运行，遵循单轮车（unicycle）运动学模型。目标源可能是静止的或随时间变化的，其演化遵循已知的运动学结构并带有高斯过程噪声。信号场被建模为一个以源为中心的平滑、对称且径向单调递减的函数（例如高斯场）。核心挑战在于估计与运动之间的紧密耦合：智能体的轨迹决定了测量质量，而测量值则不断优化对源的估计。目标是设计一种符合动力学约束的运动策略，通过平衡估计精度与信息增益，将智能体引导至目标源的一个微小邻域内。

方法论
所提出的解决方案是一种基于循环的切换转向自适应源寻踪策略，运行在一个基于循环的运动框架内。智能体并非依赖于瞬时梯度估计或信息论方法中常见的剧烈振荡轨迹，而是通过执行常曲率回路（constant-curvature loops）来进行操作。

1. 基于循环的执行： 智能体执行一系列循环。在每个循环内，通过累积测量值来衰减高频噪声。循环在“切换点”终止，该点定义为测得的最大信号值（针对初始循环），或智能体轨迹与特定参考方向的交点（针对后续循环）。
2. 方向更新机制： 在每个循环结束时，会计算一个新的方向以指导后续循环。本文探讨了三种不同的方向更新策略：
   • 基于估计的方向 ($d_{est}$)： 该方向源自扩展卡尔曼滤波器（EKF）对相对于智能体位置的源位置的估计。
   • 信息驱动的方向 ($d_{info}$)： 该方向由费舍尔信息矩阵（FIM）迹的梯度决定，旨在最大化关于源位置的信息增益。
   • 联合策略 ($d_{joint}$)： 一种基于估计方向与信息驱动方向的自适应线性组合。权重因子 $\lambda_i$ 根据估计协方差矩阵的迹进行动态调整。当不确定性较高时，策略优先进行信息采集（探索）；随着估计精度提高，策略转向估计的源方向（利用）。
3. 切换逻辑： 智能体在跨越计算出的参考射线时切换其运动方向。该过程迭代进行，直到切换点处的测量信号不再改善，表明已收敛。

主要贡献

• 几何方法与统计方法的集成： 本文将几何运动模式（名义圆周循环）与统计估计（EKF）及信息论（FIM）相结合。这确保了动力学可行性（平滑、有界曲率的轨迹），同时能够严谨地处理传感和估计中的不确定性。
• 自适应切换策略： 不同于以往依赖固定切换准则（例如跨越局部梯度或最大信号点）的切换转向策略，本研究引入了一种基于估计精度与预测信息增益之间动态平衡的自适应机制。
• 理论分析： 作者提供了理论证明，展示了：
  • 单调改进： 估计方向误差在各循环间单调递减。
  • 指数收敛： 在标准 EKF 假设下，方向误差呈指数级收敛。
  • 距离缩减： 所提出的基于循环的运动保证了对于静止和移动目标，欧几里得距离均能逐步减小。
  • 联合策略的优越性： 理论引理表明，与仅使用估计或信息指标相比，联合策略产生的期望方向误差严格更小。

结果
数值模拟在具有三种源动力学（静止、直线运动和圆周运动）的 2D 高斯标量场环境中进行。将所提出的联合策略与纯信息驱动 ($d_{info}$) 和纯估计驱动 ($d_{est}$) 方法进行了对比。

• 静止源： 联合策略实现了最低的终端估计误差（0.366 m），优于仅估计策略（0.457 m）和仅信息策略（1.569 m）。
• 动态源： 在移动源场景中，仅信息策略由于信息饱和或失配而出现大幅振荡和收敛性差的问题。仅估计策略虽然收敛，但在复杂动力学条件下残余误差较高。联合策略始终实现了最低的终端误差（例如，直线运动下为 0.265 m）以及最有效的距离缩减。
• 轨迹稳定性： 与信息驱动方法在任务后期出现的振荡路径相比，联合策略产生的轨迹更加平滑且偏差更小。

意义与主张
本文声称，所提出的联合策略提供了一种在探索与利用之间的原则性平衡，克服了现有方法的局限性。通过在名义圆周循环上利用切换转向策略，该方法在确保动力学可行性的同时，促进了用于探索的系统性之字形运动。通过将基于 EKF 的估计与基于 FIM 的信息增益相结合，该系统能够有效处理环境和传感的不确定性。作者断言，该方法比纯信息驱动或纯估计驱动的方法具有更低的估计误差和更有效的距离缩减，特别是在源位置随时间变化的动态条件下。该研究结论指出，该框架为静止和移动场景下的源寻踪提供了一个鲁棒且具有理论基础的解决方案，未来计划进行 3D 扩展和实物验证。