IG-MCTS：不完全信息下的人在回路协同导航
机器人学
2025-10-13 v2 人工智能
摘要
在不完全信息下，人机协同导航具有挑战性。我们引入了 CoNav-Maze，这是一个模拟环境，其中机器人利用局部感知进行导航，而人类操作员则基于不精确的地图提供指导。机器人可以分享其机载摄像头视图，以帮助操作员完善他们对环境的理解。为了实现高效协作，我们提出了信息增益蒙特卡洛树搜索（IG-MCTS），这是一种在线规划算法，可联合优化自主运动和信息通信。IG-MCTS 利用一个学习到的神经人类感知模型（NHPM）——该模型在众包地图数据集上训练——来预测人类内部地图如何随着新观测的共享而演变。用户研究表明，IG-MCTS 显著降低了通信需求，并产生了表明认知负荷较低的眼动追踪指标，同时保持了与遥操作和指令遵循基线相当的任务性能。最后，我们通过一个连续空间水道导航设置展示了其在离散迷宫之外的泛化能力，在该设置中，NHPM 受益于更深的编码器-解码器架构，而 IG-MCTS 利用动态构建的 Voronoi 分割可遍历图。
引用
@article{arxiv.2502.01857,
title = {IG-MCTS: Human-in-the-Loop Cooperative Navigation under Incomplete Information},
author = {Shenghui Chen and Ruihan Zhao and Sandeep Chinchali and Ufuk Topcu},
journal= {arXiv preprint arXiv:2502.01857},
year = {2025}
}