具备假设剪枝性能保证的数据关联感知 POMDP 规划
人工智能
2023-08-03 v3 机器人学
摘要
在真实世界中运行的自主智能体往往必须应对部分可观测性，这通常被建模为部分可观测马尔可夫决策过程（POMDPs）。然而，传统 POMDP 模型依赖于完全掌握观测来源这一假设，即所谓完全可观测数据关联。为克服该局限，我们提出一种规划算法，该算法维护多个数据关联假设，表示为信念混合，其中每个分量对应一个不同的数据关联假设。但此方法会导致假设数量呈指数增长，从而产生显著的计算开销。为应对这一挑战，我们引入一种基于剪枝的方法，用于处理模糊数据关联的规划。我们的核心贡献是推导了基于完整假设集合的价值函数与基于剪枝后假设子集的价值函数之间的界，使我们能够建立计算效率与性能之间的权衡。我们展示了这些界如何既可用于事后证明任意剪枝启发式的正确性，又提出了一种新方法以确定应剪枝哪些假设，从而确保对损失设定预定义上限。我们在仿真环境中评估了该方法，并证明了其在处理具有模糊数据关联的多模态信念假设方面的有效性。
引用
@article{arxiv.2303.02139,
title = {Data Association Aware POMDP Planning with Hypothesis Pruning Performance Guarantees},
author = {Moran Barenboim and Idan Lev-Yehudi and Vadim Indelman},
journal= {arXiv preprint arXiv:2303.02139},
year = {2023}
}