用于机器人导航的非次模态视觉注意力

本文提出了一种面向任务的计算框架，以增强机器人的视觉-惯性导航（VIN），应对有限的时间和能源资源等挑战。该框架通过基于均方误差（MSE）的非次模态目标函数和简化的动态预测模型，有策略地选择视觉特征。为解决该问题的NP难性，我们引入了四种多项式时间近似算法：具有常数因子保证的经典贪心方法；显著降低计算复杂度的低秩贪心变体；平衡效率与解质量的随机贪心采样器；以及基于一阶泰勒展开的线性化选择器，可实现近常数时间执行。我们通过利用次模态比、曲率和逐元素曲率分析建立了严格的性能边界。在标准化基准和自定义控制感知平台上的大量实验验证了理论结果，表明这些方法在实现实时部署的同时实现了强有力的近似保证。