利用 PIVOT（预测式增量变量排序策略）在高维状态空间中进行高效信念空间规划

在这项工作中，我们研究不确定性下的在线决策问题，将其表述为信念空间中的规划。在高维状态（例如完整轨迹）上保持信念（即分布）不仅被证明能显著提高精度，还允许以信息论目标进行规划，这正是主动 SLAM 与信息收集任务所需要的。然而，在此“平滑”范式下的规划具有极高的计算复杂度，难以在线求解。因此，我们提出如下思路：在规划前，对初始信念执行独立的态变量重排序过程，并将所有预测的回环闭合变量“向前推送”。由于初始变量顺序决定了哪些变量子集会受到新到来更新的影响，此类重排序使我们能最小化受影响变量总数，并降低规划期间候选评估的计算复杂度。我们称此方法为 PIVOT：预测式增量变量排序策略（Predictive Incremental Variable Ordering Tactic）。应用该策略还可提升状态推断效率；若在规划会话后保持 PIVOT 顺序，则当回环闭合实际发生时，我们同样能降低其代价。为证明其有效性，我们在逼真的主动 SLAM 仿真中应用 PIVOT，显著减少了规划与推断会话的计算时间。该方法适用于一般分布，且不引入精度损失。