基于边界的自动微分信息增益度量用于机器人未知三维环境探索
机器人学
2020-11-11 v1
摘要
机器人智能体自主探索未知区域的路径规划问题通常采用基于边界或信息论的启发式方法。基于边界的启发式方法通常通过可见边界体素的数量来评估视点的信息增益，这是一种离散度量，只能通过采样进行优化。另一方面，信息论启发式方法将信息增益计算为地图与传感器测量值之间的互信息。尽管此类度量的梯度可以计算，但计算涉及昂贵的数值微分。在本工作中，我们在视点周围可见边界体素的计数中引入一种新颖的模糊逻辑滤波器，使得信息增益相对于视点的梯度能够利用自动微分高效计算。这使我们能够同时优化信息增益与其他可微质量度量（如路径长度）。通过多个仿真环境，我们证明了所提出的基于梯度的优化方法持续改善了探索路径的信息增益及其他质量度量。
引用
@article{arxiv.2011.05288,
title = {Frontier-based Automatic-differentiable Information Gain Measure for Robotic Exploration of Unknown 3D Environments},
author = {Di Deng and Zhefan Xu and Wenbo Zhao and Kenji Shimada},
journal= {arXiv preprint arXiv:2011.05288},
year = {2020}
}