向未知探索：面向配置空间规划的基于生成模型的采样先验
机器人学
2025-10-14 v1 人工智能
计算机视觉与模式识别
摘要
先验分布在部分可观测性场景下的规划中至关重要，但实际操作中难以获得。我们提出了一种基于大规模预训练生成模型的采样流程，零样本地生成捕捉环境不确定性和空间语义关系的概率先验。该流程在部分观测条件下恢复完整的 RGB-D 点云样本，包含占用信息和目标语义， formulation 为配置空间规划直接提供有用数据。我们构建了 Matterport3D 基准数据集，模拟机器人通过门户部分可见的房间中寻找未观测目标对象的情景。有效的先验分布必须表示未观测区域中既包含占用信息又包含目标位置不确定性。实验表明，我们的方法恢复出与真实值一致的常识空间语义，生成多样且干净的 3D 点云，可直接用于运动规划，凸显了生成模型作为机器人规划丰富先验来源的潜力。
引用
@article{arxiv.2510.11014,
title = {Into the Unknown: Towards using Generative Models for Sampling Priors of Environment Uncertainty for Planning in Configuration Spaces},
author = {Subhransu S. Bhattacharjee and Hao Lu and Dylan Campbell and Rahul Shome},
journal= {arXiv preprint arXiv:2510.11014},
year = {2025}
}
备注
Under Review