该论文旨在解决机器人环境探索与监测任务中的自适应路径规划问题。研究背景是：路径规划的效率与鲁棒性依赖于整合所有可用信息源，特别是对当前环境认知的不确定性进行建模。
论文提出了一种基于高斯过程(Gaussian Process)的路径规划方法，具体包括：
- 采用高斯过程对多模态环境传感数据进行建模，以捕捉环境认知中的不确定性。
- 将状态和输入约束纳入规划框架。
- 以滚动时域(receding horizon)方式对未来航路点(waypoints)进行优化，其优化目标函数是这些航路点上高斯过程后验(posterior)的函数。
- 该方法被命名为OLAhGP，并在自主水面舰艇上使用高保真模型和原位传感(in-situ sensing)获取的海洋藻华数据进行了验证。
论文的核心创新点在于：
- **多步高斯过程传播(Multi-Step Gaussian Process Propagation)**：与通常仅考虑单步或即时信息增益的方法不同，该方法通过优化未来多个航路点上的高斯过程后验，实现了对长期信息收益的显式规划。
- **自适应与约束集成**：能够自适应地处理多模态传感数据，并同时将系统状态和输入约束无缝整合到基于高斯过程的优化框架中，提升了在复杂、不确定环境（如藻华监测）中规划路径的实用性和性能。
论文对该领域的总体贡献是：
- 提出并验证了OLAhGP这一新的自适应路径规划算法。
- 通过仿真和实验证明，在相同采样次数下，该方法相比现有方法能生成信息量更丰富的路径。
- 在叶绿素a富集水域的藻华识别任务中，在总体误分类概率和感兴趣区域内的二元误分类率等指标上，取得了更高的识别准确率，显著提升了环境监测的效率与效果。