HARPS：一种用于人机协作机器人规划与感知的在线 POMDP 框架

自主机器人可极大受益于人类提供的不确定任务环境与状态的语义刻画。然而，开发使机器人建模、交流并据此类“软数据”行动的集成策略仍具挑战。本文提出人机协作机器人规划与感知（HARPS）框架，用于人机团队中的主动语义感知与规划，通过正式结合在线基于采样的 POMDP 策略、多模态语义交互与贝叶斯数据融合的优势来弥补这些不足。该方法让人能够机会主义地施加模型结构，并通过在环境中勾画与标注任意地标来扩展不确定环境中语义软数据的范围。在搜索过程中对环境模型的动态更新，使机器人代理能主动向人类查询新颖且相关的语义数据，从而改进对未知环境与状态的信念，以改善在线规划。在大规模部分结构化环境中的无人机目标搜索应用仿真表明，相较于仅基于机器人感知的传统规划，其在拦截所需时间与信念状态估计方面均有显著改善。同一环境下的人体受试者研究（n = 36）显示，相较于单机机器人情形，动态目标捕获率平均翻倍，并凸显了主动概率推理与语义感知在一系列用户特征与交互模态上的鲁棒性。