大象不打包杂货：面向低熵信念状态的机器人任务规划
机器人学
2021-10-19 v2
摘要
计算感知的最新进展显著提升了自主机器人进行低熵状态估计的能力。此类进展促使我们重新考量不确定条件下的机器人决策。当前解决序贯决策问题的方法将状态建模为感知熵谱的两个极端。因此，这些方法要么无法克服感知错误，要么在解决低感知熵问题时渐近低效。考虑到低熵感知，我们旨在探索一种更令人满意的折中方案，在计算效率与我们从现代机器人感知中观察到的不确定性形式之间取得平衡。我们提出一种用于目标导向机器人推理的高效任务规划方法。我们的方法将信念空间表示与经典规划快速、目标导向的特性相结合，以高效规划低熵目标导向推理任务。我们通过仿真中求解低熵目标导向杂货打包任务，将我们的方法与当前经典规划和信念空间规划方法进行比较。在规划时间、执行时间和任务成功率方面，我们的方法在仿真实验中优于这些方法。我们还在真实世界的物理机器人杂货打包任务上展示了我们的方法。
引用
@article{arxiv.2011.09105,
title = {Elephants Don't Pack Groceries: Robot Task Planning for Low Entropy Belief States},
author = {Alphonsus Adu-Bredu and Zhen Zeng and Neha Pusalkar and Odest Chadwicke Jenkins},
journal= {arXiv preprint arXiv:2011.09105},
year = {2021}
}