Fisher 信息场：一种用于感知感知型规划的高效可微地图

在规划时考虑视觉定位精度，会偏好于能够被更好定位的机器人运动，从而有潜力改善基于视觉的导航，尤其是在视觉退化的环境中。为了将关于定位精度的知识集成到运动规划算法中，一项核心任务是量化在 6 自由度位姿下拍摄的一幅图像为定位带来的信息量，这通常由 Fisher 信息表示。然而，从一组稀疏路标（即点云）——这是视觉定位最常见的地图——计算 Fisher 信息是低效的。这种方法随环境中路标数量线性增长，且不允许复用已计算的 Fisher 信息。为克服这些缺陷，我们提出了首个专门用于评估 6 自由度视觉定位 Fisher 信息以服务于感知感知型运动规划的地图表示。通过仔细构建 Fisher 信息与传感器可见性，我们能够将旋转不变分量从 Fisher 信息中分离出来并存储于体素网格中，即 Fisher 信息场。该步骤对于已知环境只需执行一次。任意位姿的 Fisher 信息随后可从该场中以常数时间算出，消除了在规划时昂贵地遍历所有 3D 路标的需要。实验结果表明，所提出的 Fisher 信息场可应用于不同运动规划算法，且比直接使用点云至少快一个数量级。此外，该地图表示是可微的，在轨迹优化算法中使用时比点云表现更优。