基于前沿的可微信息增益度量用于未知二维环境的机器人探索
机器人学
2020-11-11 v1
摘要
自主机器人探索路径规划方法的核心是一种鼓励探索环境未知区域的启发式策略。此类启发式通常基于前沿或信息论方法计算。前沿方法将探索路径的信息增益定义为从该路径可见的边界单元（即前沿）的数量。然而，这种信息增益度量的离散且不可微特性使其难以使用基于梯度的方法进行优化。相比之下，信息论方法将信息增益定义为传感器测量值与已探索地图之间的互信息。但是，互信息梯度的计算涉及有限差分，因此计算代价高昂。本工作提出了一种结合基于采样的路径规划与基于梯度的路径优化的探索规划框架。该框架的主要贡献是将信息增益重新表述为可微函数。这使我们能够同时优化信息增益与其他可微质量度量（如平滑性）。所提规划框架的有效性通过在仿真和使用 Turtlebot3 Burger 机器人的硬件实验中得到验证。
引用
@article{arxiv.2011.05323,
title = {Robotic Exploration of Unknown 2D Environment Using a Frontier-based Automatic-Differentiable Information Gain Measure},
author = {Di Deng and Runlin Duan and Jiahong Liu and Kuangjie Sheng and Kenji Shimada},
journal= {arXiv preprint arXiv:2011.05323},
year = {2020}
}