移动机器人在非平稳环境中学习层次化物体地图
机器学习
2013-01-07 v1 机器人学
机器学习
摘要
构建机器人环境的模型或地图是一个高度活跃的研究领域；然而，大多数现有技术构建的是非结构化地图，并假设环境是静态的。在本文中，我们提出了一种算法，用于学习在办公室类型环境中发现的非平稳物体的物体模型。我们的算法利用了办公室环境中许多物体外观相似（例如，椅子、回收箱）这一事实。它通过一个两级层次表示来实现这一点，该表示将个体物体与物体类别的通用形状模板联系起来。我们推导出一个近似的期望最大化（EM）算法，用于在层次结构的两个级别上学习形状参数，并使用局部占用栅格地图来表示形状。此外，我们开发了一个贝叶斯模型选择算法，使机器人能够估计环境中物体和物体模板的总数。使用配备激光测距仪的真实机器人进行的实验结果表明，我们的方法在学习简单办公室环境的基于物体的地图方面表现良好。该方法优于先前开发的非层次化算法，后者对物体进行建模但缺乏类别模板。
引用
@article{arxiv.1301.0551,
title = {Learning Hierarchical Object Maps Of Non-Stationary Environments with mobile robots},
author = {Dragomir Anguelov and Rahul Biswas and Daphne Koller and Benson Limketkai and Sebastian Thrun},
journal= {arXiv preprint arXiv:1301.0551},
year = {2013}
}
备注
Appears in Proceedings of the Eighteenth Conference on Uncertainty in Artificial Intelligence (UAI2002)