在阅读论文“在未知工作空间中基于触觉的主动对象识别和目标对象搜索”时，我有些无法理解：
本文是关于仅使用触觉信息来查找对象的位置和其他属性的。在第4.1.2节中，作者说他使用GPR指导探索过程，在4.1.4节中，他描述了他如何训练GPR：
使用4.1.2节中的示例，输入为（x，z），输出为y。
只要有联系，就会存储对应的y值。
重复此过程几次。
此训练有素的GPR用于估计下一个探索点，该点是方差最大的点。
在以下链接中，您还可以看到演示：https://www.youtube.com/watch?v=ZiLq3i-BJcA&t=177s。在视频的第一部分（0：24-0：29）中，第一次初始化发生在机器人采样4次的地方。然后在接下来的25秒内，机器人从相应的方向进行探索。我不了解GPR的这种微小初始化如何指导探索过程。有人可以解释一下如何估算第一个探索部分的输入点（x，z）吗？
最佳答案
任何回归算法都以特定算法特有的某种方式简单地将输入(x,z)映射到输出y。对于新的输入(x0,z0)，如果训练中包括许多与此类似的数据点，则算法可能会预测非常接近真实输出y0的值。如果只有培训数据在非常不同的区域可用，则预测可能会非常糟糕。
GPR包括对预测的置信度的度量，即方差。在以前从未见过训练数据的区域中，方差自然会非常高，而在已经看过的数据点附近非常低。如果“实验”比评估高斯过程花费的时间长得多，则可以使用高斯过程拟合来确保对不确定答案的区域进行采样。
如果目标是充分探索整个输入空间，则可以绘制(x,z)的许多随机值并评估这些值的方差。然后，您可以在y中最不确定的输入点执行昂贵的实验。然后，您可以使用到目前为止所有已探查的数据重新训练GPR，然后重复该过程。
对于优化问题（不是OP的问题）
如果希望在整个输入空间中找到y的最小值，则对在您知道y值较高的区域中进行实验不感兴趣，但是不确定这些值将有多高。因此，您可以选择(x,z)的预测值加一个标准偏差，而不是选择方差最大的y点。通过这种方式将值最小化称为贝叶斯优化，此特定方案称为上置信界（UCB）。预期改善（EI）-改善先前最佳分数的可能性-也很常用。
关于machine-learning - 高斯进度回归用例，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/59868933/