受大脑启发的基于向量符号架构的概率占据网格映射
机器人学
2025-09-18 v4 新兴技术
摘要
实时机器人系统需要先进的感知、计算和行动能力。然而，当前自主系统的最大瓶颈是在计算能力、能源效率和模型确定性之间进行权衡。世界建模是许多机器人系统的关键目标，通常将占据网格映射(OGM)作为构建具有感知、规划、自主机动和决策能力的端到端机器人系统的第一步。OGM将环境划分为离散单元并为占据度和可遍历性等属性分配概率值。现有方法可分为两类：传统方法和神经方法。传统方法依赖密集统计计算，而神经方法则采用深度学习进行概率信息处理。本研究提出一种基于向量符号架构的OGM系统(VSA-OGM)，在保持传统方法可解释性和稳定性的同时，实现了神经方法的改进计算效率。我们的方法在多个数据集上进行了验证，达到了与协变量传统方法相似的准确度，同时将延迟降低约45倍，将内存降低400倍。与不变性传统方法相比，我们看到类似的准确度值，同时将延迟降低5.5倍。此外，我们相较于神经方法实现了最高可达6倍的延迟降低，同时消除了特定领域模型训练的需求。这一工作表明，向量符号架构作为严格计算和延迟约束下自主系统中实时概率映射的实用基础具有巨大的潜力。
引用
@article{arxiv.2408.09066,
title = {Brain Inspired Probabilistic Occupancy Grid Mapping with Vector Symbolic Architectures},
author = {Shay Snyder and Andrew Capodieci and David Gorsich and Maryam Parsa},
journal= {arXiv preprint arXiv:2408.09066},
year = {2025}
}