POMP：基于Pomcp的室内主动视觉搜索在线运动规划
机器人学
2020-09-18 v1 计算机视觉与模式识别
摘要
本文关注于在已知室内环境中以在线设置学习主动视觉搜索（AVS）物体最优策略的问题。我们的POMP方法以智能体（如机器人）的当前位姿和RGB-D帧作为输入。任务是规划下一步移动使智能体更接近目标物体。我们将该问题建模为部分可观测马尔可夫决策过程，并通过蒙特卡洛规划方法求解。这使我们能够通过迭代处理手头已知场景，在探索环境的同时搜索物体，从而对下一步移动做出决策。与当前强化学习的最优方法不同，POMP不需要大量且昂贵（在时间和计算上）的标注数据，因此在中小规模真实场景中求解AVS非常敏捷。我们仅需要环境的楼层地图信息，该信息通常可用或可通过先验单次探索运行轻松提取。我们在公开可用的AVD基准上验证我们的方法，取得了0.76的平均成功率和17.1的平均路径长度，性能接近最优方法但无需任何训练。此外，我们通过实验展示了当目标检测质量从理想变为有缺陷时我们方法的鲁棒性。
引用
@article{arxiv.2009.08140,
title = {POMP: Pomcp-based Online Motion Planning for active visual search in indoor environments},
author = {Yiming Wang and Francesco Giuliari and Riccardo Berra and Alberto Castellini and Alessio Del Bue and Alessandro Farinelli and Marco Cristani and Francesco Setti},
journal= {arXiv preprint arXiv:2009.08140},
year = {2020}
}
备注
Accepted at BMVC2020