iX-BSP：增量式信念空间规划

下一步该做什么？是机器人与人工智能中的一个基本问题。在部分可观测环境下的信念空间规划（BSP）中，该问题涉及计算期望的累积信念依赖奖励，其中期望是针对所有未来测量值取的。由于求解这一通用未近似问题很快变得难以处理，现有最优方法转而采用近似，同时仍从头开始计算规划会话。本文提出一种新范式——增量式信念空间规划（iX-BSP），其关键洞见在于不同规划会话间的计算具有相似性，可被恰当地重用。我们利用多重重要性采样技术进行选择性重采样并重用先前规划会话中的测量值，从而增量地计算期望。我们方法的形式化考虑一般分布并处理数据关联问题。我们展示了 iX-BSP 如何惠及该通用问题的现有近似，引入 iML-BSP，其在常见的最大似然假设下重用规划会话间的计算。我们评估了两种方法，证明了在计算时间大幅减少的同时在统计上保持精度。评估包含仿真与真实世界实验，涉及自主视觉导航与 SLAM。作为进一步贡献，我们向 iX-BSP 引入非完整野火近似，通过在重用的信念“足够接近”时避免更新，以精度换取计算性能。我们在野火近似下评估 iX-BSP，展示了计算时间的显著减少同时控制精度损失。我们还提供了野火对目标值影响的分析与经验界。