Perpetua：用于半静态环境的多假设持久性建模

许多机器人系统需要在复杂、动态环境中进行长期部署。在此类部署中，环境的某些部分可能在随后机器人观察之间发生变化。大多数机器人映射或环境建模算法无法以一种能够预测其未来状态的方式来表示动态特征。相反，它们倾向于通过删除它们或某种加权平均来过滤特定的状态观察。本文介绍了 Perpetua，这是一种用于建模半静态特征动态性的方法。Perpetua 能够：如果存在的话，整合关于特征动态性的先验知识、跟踪多个假设、并随时间适应，以实现对未来特征状态的预测。具体而言，我们将混合“持久性”和“出现”过滤器链在一起，以在形式化的贝叶斯框架中建模特征将消失或重新出现的概率。该方法是一种高效、可扩展、通用且稳健的方法，用于估计环境中特征的当前状态以及任意未来时间的状态。通过对模拟和真实世界数据进行实验，我们发现 Perpetua 在类似方法的基础上实现了更好的准确性，同时也是在线可适应且对缺失观察具有鲁棒性。