基于物理引导的高斯过程对移动机器人勘测强梯度辐射场的映射：采样几何的作用

《Sensors》：Physics-Guided Gaussian Process Mapping of Strong-Gradient Radiation Fields from Mobile Robot Surveys: The Role of Sampling Geometry

　　围绕准直或屏蔽源的辐射场表现出强烈的梯度变化，其精确定界对于工作人员防护和应急响应至关重要。移动机器人可以调查此类辐射场，但它们在轨迹上进行稀疏且不规则的采样，而关于哪种重建方法可以信赖以及在何处可以信赖的问题仍不明确。本研究采用二维室内环境中的单一主导准直源，表明答案决定性地取决于采样几何结构，并提出了一种物理引导的高斯过程（GP），该方法在轨迹约束采样下表现出可靠的性能。一台结合基于激光雷达（LiDAR）的同时定位与建图（SLAM）技术与伽马剂量率探测器的跟踪机器人，在七次独立运行中调查了准直铯-137辐射场，所有方法均在随机留出（在已访问位置附近插值）和空间块交叉验证（对未访问区域进行外推）两种条件下进行了评估；通过与密集参考场的真值参照评估提供了泊松采样模拟的支持，而实验精度则在留出测量值上进行了交叉验证。在均匀采样条件下，多层感知机（MLP）稳健地优于高斯过程变体（在18种子组合中保持稳定）；在轨迹采样条件下，其优势在已访问位置处消失，并在未访问区域中发生了灾难性的逆转。所提出的物理引导高斯过程以拟合的准直束模板作为高斯过程均值，采用马特恩3/2残差过程，实现了最高的外推性能（中位值；最佳基线），相对于所有八个基线将外推误差降低了32%–69%，恢复了可解释的源参数，并提供了具有约校准区域级覆盖率的预测区间（逐点误差排名仍然较弱）；运行时拟合质量门使嵌入式先验的正确性成为可观测的量，因此该方法能够在其自身假设失效时进行标记。这些结果为依据合理可行尽可能低（ALARA）原则在机器人辐射测绘中进行方法选择提供了定量指导。