具有耦合语义-几何模型的在线混合信念POMDP

在复杂和未知环境中运行的机器人经常需要环境的几何-语义表示来安全执行任务。在推断环境时，它们必须考虑规划未来行动时的许多可能场景。由于对象的类别类型是离散的，而机器人的自身位姿和对象的位姿是连续的，环境可以用一个混合离散-连续信念来表示，该信念根据模型和传入数据进行更新。表示环境的先验概率和观测模型可以使用深度学习算法从数据中学习。这类模型通常耦合环境的语义和几何属性。因此，语义变量相互关联，导致语义状态空间维度呈指数增长。在本文中，我们考虑使用具有混合语义-几何信念的部分可观测马尔可夫决策过程（POMDP）进行不确定性下的规划。模型和先验考虑了语义和几何变量之间的耦合。在POMDP中，我们引入了语义感知安全的概念。获取理论混合信念的代表性样本（用于估计值函数）非常具有挑战性。作为关键贡献，我们开发了一种新颖的混合信念形式，并利用它来采样代表性样本。我们表明，在某些条件下，值函数和安全概率可以通过对所有可能的语义映射进行显式期望来高效计算。我们的模拟表明，我们的目标函数和安全概率估计与使用理论混合信念样本在整个语义状态空间上穷举运行的估计器相比，达到了相似的精度水平。然而，我们的估计器的复杂度是多项式而非指数级的。