空间场广泛存在于各种自然现象中。海洋洋流、温度变化、风场和地形高程，都是传统上经常研究的例子。空间场也可以表现为群体运动模式，例如人群或交通流。因而，对空间场进行建模对于海洋学、地形学和城市规划等领域具有重要意义，也是机器人系统面临的一项重要挑战。
可扩展高斯过程（GP）已经成为解决这一问题的一种方案。单体式可扩展 GP 的核心思路，是对数据或 GP 本身构建稀疏近似，从而限制推理过程的计算复杂度。另一种方式是以分布式形式进行学习和推理。在这种情况下，一组相互独立的专家分别处理所收集数据的一个子集，再由中央计算机利用这些结果推断全局模型。
因此，多机器人系统完全可以将 GP 融入可扩展的去中心化回归。然而，现有关于去中心化高斯过程回归的研究，大多局限于学习智能体能够使用定位系统的场景。在群体机器人学中，我们不作这一假设。为了保证群体具备可扩展性，机器人只依赖对环境的局部感知，无法获得位置数据等全局信息。这样一来，机器人群体即使在 GPS 不可用的环境中运行，也不会牺牲性能。
为了展示 LU-GPR 估计现实世界空间场的适用性，我们考虑一个疏散场景：人群往往会表现出群体运动模式。在室内环境中，地面机器人群体可以采集行人的速度，从而估计人群的整体行为。这些估计结果既可以传递给外部安保人员，也可以由机器人群体自行利用，用于检测和预防瓶颈、振荡以及其他可能具有危险性的涌现现象。
数学背景
本节介绍理解本文贡献所需的数学概念。完整阐述这些思想超出了本文的范围。
高斯信念传播
高斯信念传播（GBP）是一种利用消息传递，在因子图上进行边缘推理的方法。因子图是二部图，其节点分为变量节点和因子节点。变量表示我们希望估计、但无法直接观测的量。因子连接变量，并根据环境观测或给定先验约束变量的取值。
在标准 GBP 算法中，可以通过迭代消息传递计算每个变量的边缘后验。在每次迭代中，算法利用变量节点的所有相邻因子，更新该节点的信念；信念表示为高斯分布。对于树状图，这一过程最终会收敛到精确的边缘分布；但即使图中存在环，GBP 通常也能取得经验上良好的结果。
Jones 和 Hauert 最近将 GBP 应用于机器人群体。在他们的工作中，机器人没有全局定位能力，只能进行有限距离通信；GBP 使它们能够收敛到共同的参考坐标系。在该实现中，每个机器人都维护一个有界因子图，其中的变量表示自身相对于公共坐标系的位置，而位置则由里程计测量得到。当机器人与邻居相遇时，它们会创建面向外部的因子，对彼此的因子图施加约束，使局部位置估计逐渐收敛到一致的表示。
实验验证
LU-GPR 通过两种不同场景进行验证。首先，使用随机生成的合成函数，研究机器人数量和通信范围对估计质量的影响。随后，使用 LU-GPR 对疏散人群的行为进行建模。为简化问题，在这两种场景中均假设 GP 的均值为零。
合成函数分析
即使群体规模较小，机器人也能收敛到一个解。增大群体规模可以降低估计偏差和方差，并加快收敛速度。有趣的是，通信范围似乎不会显著影响最终估计结果，而主要影响收敛速度。
讨论
LU-GPR 解决了机器人群体进行空间场估计的问题，且不要求机器人能够使用定位系统。为了突出 LU-GPR 的创新之处，本文没有深入探讨 GPR 框架的若干方面，其中一些选择也可能导致并非最优的解决方案。
首先，更新规则构成了一个自适应且稳健的估计框架，其依据是将本文的数学形式与已有研究中的形式进行比较。结果表明，机器人能够遗忘较早的样本，而简单的加权策略可以降低对人群行为的估计偏差。不过，在时变场景以及存在离群值的情况下，系统评估这些性质仍是未来研究的重要方向。
此外，还需要考虑机器人的导航策略。本文采用了一种简单的弹道式随机游走。为了充分发挥 GP 的能力，利用采集函数和计算得到的后验方差来指导探索，可能会带来更优的结果。然而，设计这样的策略并不容易。
在缺乏全连接的情况下，群体中的机器人必须分别决定如何行动。它们是否都应使用完整的后验估计来决定下一步移动方向？如果所有机器人都拥有足够准确的估计，它们可能最终选择相同的策略，从而导致探索效果不佳。因此，尽管随机游走可能不是最优的探索策略，但与直接、未经改进地使用采集函数相比，它或许是一种更稳健的方法。
第二类输入不确定性来自通过 GBP 算法获得的位置信念。在 LU-GPR 中，系统使用因子图给出的最新位置估计，却忽略了相应的不确定性。因此，有理由认为其后验方差可能过于自信。
不过，比起处理来自里程计估计的不确定性，更准确地处理这一来源的不确定性甚至更加棘手。原因在于，这是一种覆盖整个模型的不确定性；如果将其映射到各个独立的输入数据点，就会破坏样本之间的相关性。一个可能的想法，是利用这种不确定性确定专家乘积模型中各个模型的权重。然而，这会与基于遗忘的更新所计算出的不确定性产生相互冲突的作用，最终得到的方差会过于保守。
最后，也可以质疑为何选择专家乘积模型作为集成方法。不过，对于机器人群体这样的去中心化系统而言，专家乘积是一种合适的方案。主要原因是，它不要求群体中的所有机器人共享相同的先验。因此，原则上每个机器人都可以学习自己的超参数。例如，这种方法可以直接兼容分布式系统中已有的学习方法，如贝叶斯模型平均。
总的来说，未来工作可以聚焦于验证 LU-GPR 算法的自适应性和稳健性，利用所学习模型的探索策略提升性能，更准确地处理输入噪声，并引入去中心化超参数学习。
此外，为了便于将该方案移植到真实机器人上，还应探索对带宽需求更低的消息传递策略，以及随群体规模增长呈次线性扩展的集成学习方法。尽管如此，该方案能够扩展，并且对群体有限的通信范围和输入数据中变化的噪声水平都具有稳健性。
常见问题
LU-GPR 解决什么问题？ LU-GPR 用于估计空间场，适用于无法使用定位系统的机器人群体。
为什么高斯过程适用于机器人群体？ 高斯过程支持可扩展的去中心化回归，并允许多个机器人共同构建全局空间模型。
通信范围会如何影响估计？ 通信范围似乎会影响收敛速度，但不会显著影响最终估计结果。
未来工作的主要方向是什么？ 未来工作包括改进探索策略、更准确地处理输入噪声、实现去中心化超参数学习、降低消息传递的带宽需求，以及构建可扩展的集成方法。