从可见性受限的示范中推断障碍物与路径有效性
机器人学
2020-05-13 v1
摘要
许多从示范中学习的方法假设示范者拥有完整环境知识。然而，在许多场景中，示范者仅能看到环境的一部分，并随着信息收集不断重新规划。为了规划新路径或重建环境，我们必须考虑示范者的可见性约束与重规划过程，据我们所知，以往工作尚未涉及这一点。我们考虑的问题是：对于一个能够朝任意方向观察但无法透视障碍物的点机器人，从其示范路径推断二维环境中的障碍物配置。给定一组描述示范者获取新信息位置的\textit{观测点}以及一条候选路径，我们在环境的单元分解上构造一个约束满足问题（Constraint Satisfaction Problem, CSP）。我们将一组与 CSP 赋值相对应的障碍物参数化，并从该集合中采样以寻找有效环境。我们证明存在一个概率完备但非完全可处理的算法，能够保证空间中新路径是不安全的或可能安全的。我们还提出了一种不完备但在经验上成功的启发式引导算法，并在实验中将其应用于：1) 规划新路径；2) 恢复环境的概率表示。
引用
@article{arxiv.2005.05421,
title = {Inferring Obstacles and Path Validity from Visibility-Constrained Demonstrations},
author = {Craig Knuth and Glen Chou and Necmiye Ozay and Dmitry Berenson},
journal= {arXiv preprint arXiv:2005.05421},
year = {2020}
}
备注
Accepted at WAFR 2020