讲座主题：
Informative Path Planning for Mobile Sensing with Reinforcement Learning
主讲人姓名及介绍：
RongZheng，伊利诺伊大学香槟分校计算机科学系博士学位，清华大学电气工程硕士学位和学士学位。加拿大麦克马斯特大学计算与软件系教授。从2004年到2012年，她在休斯敦大学计算机科学系任教。
Rong Zheng教授的研究兴趣包括无线网络、移动计算和机器学习。她是《IEEE Transactions on Mobile Computing》和《IEEE Transactions on Network Science and Engineering》以及《IEEE Transactions of Wireless Communication》的编辑。于2019年获得加拿大自然科学与工程理事会的Discovery Accelerator Supplement，并于2006年获得了美国国家科学基金会职业奖。她在2015年至2018年期间担任叶Joseph的工程研究员。
报告摘要：
大规模空间数据，诸如空气质量，热力条件和位置签名等在各种应用中都起着至关重要的作用。手动收集此类数据可能很繁琐且需要大量劳动。随着机器人技术的进步，使用具有传感和导航功能的移动机器人将此类任务自动化是可行的。但是，由于有限的电池寿命和充电站的稀缺性，如何规划机器人的路径，以便最大化数据收集效用变得非常重要，称为信息路径规划（IPP）问题。在本演讲中，我们将讨论使用强化学习（RL）的新颖IPP算法。设计了一种约束勘探和开发策略来应对IPP的独特挑战。与经典的强化学习方法相比，它具有更快的收敛性和更好的最优性。使用现实世界的测量数据进行的大量实验表明，在大多数测试案例中，所提出的算法都优于最新的算法。特别地，与现有解决方案不同，当输入参数发生变化时，现有解决方案必须重新执行，我们基于RL的解决方案可以在不同问题实例之间实现一定程度的可移植性。
