POMP++：基于 POMCP 的未知室内环境主动视觉搜索
机器人学
2021-11-08 v2
摘要
本文关注未知室内环境中物体主动视觉搜索（Active Visual Search, AVS）的在线最优策略学习问题。我们提出 POMP++，一种在经典部分可观测蒙特卡洛规划（Partially Observable Monte Carlo Planning, POMCP）框架之上引入新公式的规划策略，以实现未知环境中免训练的在线策略学习。我们提出一种新的信念重振策略，使得 POMCP 能配合动态增长的状态空间使用，以解决楼层地图的在线生成问题。我们在两个公开基准数据集上评估了我们的方法：由真实机器人平台采集的 AVD 和由真实 3D 场景扫描渲染的 Habitat ObjectNav，取得了最佳成功率，较最先进方法提升 >10%。
引用
@article{arxiv.2107.00914,
title = {POMP++: Pomcp-based Active Visual Search in unknown indoor environments},
author = {Francesco Giuliari and Alberto Castellini and Riccardo Berra and Alessio Del Bue and Alessandro Farinelli and Marco Cristani and Francesco Setti and Yiming Wang},
journal= {arXiv preprint arXiv:2107.00914},
year = {2021}
}
备注
Accepted at 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)