通用增量协方差更新及基于因子图传播动作树的高效信念空间规划
机器人学
2019-10-08 v1 机器学习
摘要
快速协方差计算在 SLAM（例如为解决数据关联）与在信念空间规划（BSP）中评估不同候选动作的信息论项时均为所需。本文做出两项主要贡献。首先，我们开发了一种新颖的通用增量协方差更新技术，可在推断问题发生任何变化（如引入新观测/变量或状态向量的重新线性化）后高效恢复特定协方差项。我们的方法被证明比其他最先进方法更快地恢复它们。其次，我们利用我们的增量协方差更新方法，提出了一种在高维状态空间中计算高效的 BSP 方法。最先进的 BSP 方法对每个候选动作执行信念传播，然后评估通常包含信息论项（如熵或信息增益）的目标函数。然而，候选动作常有相似部分（如共同轨迹段），却仍针对每个候选分别评估。此外，计算信息论项涉及对整个信息（协方差）矩阵进行代价高昂的行列式计算，其复杂度为 O(n^3)（n 为状态维度），或若仅关注某些变量的边际后验协方差，则需代价高昂的舒尔补运算。我们的方法 rAMDL-Tree 扩展了先前的 BSP 方法 rAMDL，通过利用增量协方差计算并在非短视候选动作的共同部分间进行复用，使这些部分仅被评估一次，而非现有方法那样重复评估。
引用
@article{arxiv.1906.02249,
title = {General Purpose Incremental Covariance Update and Efficient Belief Space Planning via Factor-Graph Propagation Action Tree},
author = {Dmitry Kopitkov and Vadim Indelman},
journal= {arXiv preprint arXiv:1906.02249},
year = {2019}
}