面向机器人环境感知的主动马尔可夫信息论路径规划

近期多机器人探索与地图构建的研究聚焦于环境场采样，环境场通常使用高斯过程（GP）建模。现有的基于信息论的探索策略用于学习基于GP的环境场地图时，采用了非马尔可夫问题结构，因此随着观测历史长度的增加，其扩展性很差。这使得这些策略难以用于原位、实时的主动采样。为缓解这一计算负担，本文提出了一种基于马尔可夫的方法，用于对基于GP的场进行主动采样的高效信息论路径规划。我们分析了求解基于马尔可夫的路径规划问题的时间复杂度，并从理论上证明，随着规划时域的增加，其扩展性优于推导非马尔可夫策略。对于一类称为断面采样任务的探索任务，我们为基于马尔可夫策略的主动采样性能提供了理论保证，由此可以建立理想的环境场条件和采样任务设置，以限制因违反马尔可夫假设而导致的性能下降。在真实温度和浮游植物密度场数据上的实证评估表明，在不太有利的现实场条件和任务设置下，我们的基于马尔可夫的策略通常能够实现与广泛使用的非马尔可夫贪婪策略相当的主动采样性能，同时享有显著的计算优势。