LASER: Learning Active Sensing for Continuum Field Reconstruction

Motivation

• Known: 기존 연구들은 CNN, GNN, implicit neural representation, transformer 기반 operator 등을 활용해 dense/complete observation 하에서 continuum field를 예측하거나, DiffusionPDE와 같이 sparse observation 조건에서 복원을 시도하지만 고정되거나 오프라인에서 최적화된 sensor layout을 가정한다.
• Gap: PhySense와 같은 방법들은 sensor 위치를 전체 training distribution에 대해 오프라인으로 최적화하여 static layout을 산출하므로, 비정상(non-stationary) 물리 동역학에 대한 instance-specific adaptivity가 결여되어 있고 autoregressive rollout 중 sensing 위치를 동적으로 조정하지 못한다.
• Why: 센서 배치는 동일한 복원 모델에서도 결과에 크게 영향을 미치는 핵심 요인이므로, 진화하는 물리 상태에 실시간으로 적응하는 능동 센싱 전략은 sparse하고 제약된 환경에서의 고정밀 과학·공학적 관측을 가능케 하는 데 중요하다.
• Approach: Sensor 위치를 controllable action으로 하는 POMDP를 정의하고, 그 핵심에 spatiotemporal dynamics를 포착하고 intrinsic reward를 제공하는 continuum field latent world model을 두어, RL policy가 latent imagination space에서 'what-if' 센싱 시나리오를 시뮬레이션하며 고정보 영역으로 이동하도록 학습한다.

Achievement

Figure 5. Long-term rollout performance under high sparsity

1. LASER 프레임워크 제안: sensor placement를 POMDP로 정식화하여 진화하는 물리 조건에 반응하는 instance-specific sensing 전략을 가능케 하는 RL 기반 방법을 제시.
2. Continuum field latent world model 개발: field reconstruction과 latent forward modeling을 통합한 예측 아키텍처를 구축하여 sensing policy가 현재 관측을 넘어선 고정보 영역으로 'look ahead' 하도록 함.
3. 광범위한 실험적 검증: 다양한 physical domain에서 LASER가 fixed 또는 offline-optimized sensing layout을 사용하는 기존 접근법 대비 일관되게 우수한 fidelity를 달성함을 입증.

How

Figure 3. Data flow of LASER world model. Sparse observations

• Latent state st=[zt, ht]를 현재 sparse observation을 encoding한 latent code zt와 field 진화의 recurrent history ht의 결합으로 정의.
• Action at는 sensor array의 displacement vector ∆Xt로, continuous하고 실제 sensor 이동 제약에 bound됨.
• Observation ot은 discrete grid 위 continuous coordinate에서 bilinear interpolation으로 얻어짐 (emission function E).
• World model이 latent transition Tϕ: zt+1 ~ pdyn_ϕ(·|zt, h<t)를 통해 미래 latent state를 예측.
• Reward rt는 world model이 평가한 reconstruction error의 음수로 정의되어 intrinsic reward 역할.
• Encoder, latent dynamics, decoder가 jointly 훈련되어 latent world model을 구성 (Figure 2a, Figure 3).
• Policy network가 world model과 상호작용하며 latent imagination 내에서 planning 수행 (Figure 4), policy optimization algorithm으로 학습.

Originality

• 기존의 decoupled offline sensor 최적화 패러다임에서 벗어나, sensing-reconstruction-evaluation을 하나의 closed-loop RL 문제로 통합한 최초의 시도로 보임.
• Sparse observation, forward prediction, placement optimization, active sensing 네 가지 요소를 모두 갖춘 유일한 프레임워크로 Table 1에서 명시적으로 차별화됨 (DiffusionPDE, AROMA, PhySense와 비교).
• 물리적 환경과의 실제 상호작용 없이 latent world model 내 'imagination'만으로 센싱 정책을 학습하는 world model 기반 RL 접근을 continuum field reconstruction 문제에 최초로 적용.

Limitation & Further Study

• 발췌된 본문에서는 world model 학습의 안정성, latent dynamics 예측 오차의 누적(compounding error) 문제에 대한 구체적 대응 방안이 명확히 드러나지 않음.
• Candidate set D 내에서의 discrete grid 기반 bilinear interpolation 방식이 실제 연속 도메인이나 불규칙 mesh, noisy sensor 환경에 얼마나 잘 일반화되는지 추가 검증이 필요.
• 제한된 개수의 continuum field 도메인에서만 실험이 이루어진 것으로 보이며, 실제 물리 시스템과의 실시간(real hardware) 상호작용 검증이 부재하여 sim-to-real 격차에 대한 논의가 필요.
• 후속 연구로 sensor 개수(N) 자체를 적응적으로 조절하거나, 다중 에이전트 협업 센싱으로 확장하는 방향을 고려할 수 있음.

Evaluation

총평: Active sensing과 continuum field reconstruction을 world model 기반 RL로 통합한 참신하고 실용적인 접근으로, sparse sensing 환경에서의 과학·공학적 응용에 의미있는 기여를 한다고 평가된다.