Perpetua：面向半静态环境的多假设持久性建模

许多机器人系统需要在复杂、动态的环境中进行长时间部署。在此类部署中，环境的部分内容可能在机器人后续观测之间发生变化。大多数机器人建图或环境建模算法无法以能够预测其未来状态的方式表示动态特征。相反，它们选择过滤某些状态观测，方法是将其移除或进行某种形式的加权平均。本文引入了 Perpetua，一种用于对半静态特征动态进行建模的方法。Perpetua 能够：在存在关于特征动态的先验知识时将其纳入，跟踪多假设，并随时间适应以实现对未来特征状态的预测。具体而言，我们将“持久性”与“出现”滤波器的混合串联起来，在形式化的贝叶斯框架下对特征消失或重现的概率进行建模。该方法是一种高效、可扩展、通用且稳健的方法，用于估计环境中特征在当前以及任意未来时刻的状态。通过在模拟和真实世界数据上的实验，我们发现 Perpetua 比同类方法具有更好的准确性，同时具备在线适应能力且对缺失观测具有鲁棒性。