GUIDEd 智能体：通过定位受限环境中的任务特定不确定性抽象来增强导航策略

在复杂环境中执行导航任务的自主车辆面临着显著的状态估计不确定性挑战。在许多场景下，例如窃取行动或资源受限环境，获取高精度定位会带来显著的成本，迫使机器人主要依赖较不精确的状态估计。我们的关键观察是，不同任务需要对不同区域的精度要求有所不同：在拥挤空间中导航的机器人可能需要靠近障碍物处的精确定位，但在其他地方可以使用较低的精度。本文提出了一种将任务特定的不确定性要求直接集成到导航策略中的规划方法。我们引入任务特定不确定性图 (TSUM)，这些图抽象了不同区域可接受的状态估计不确定性水平。TSUM 使用共享表示空间将任务要求和环境特征对齐，由基于域适应的编码器生成。使用 TSUM，我们提出了用于集成不确定性要求的通用决策和执行框架 (GUIDE)，这是一种将这些不确定性要求纳入机器人决策的策略条件框架。我们发现，TSUM 提供了有效抽象任务特定不确定性要求的方法，通过对 TSUM 进行条件化可以实现对不确定性价值进行上下文依赖性推理，从而调整其行为。我们展示了将 GUIDE 集成到强化学习框架中后，智能体能够学习有效平衡任务完成和不确定性管理的导航策略，而无需进行显式的奖励工程。我们在各种真实世界机器人导航任务上对 GUIDE 进行了评估，发现其在不考虑任务特定不确定性的基线方法之外显著提高了任务完成率。