基于概率度量时序逻辑的鲁棒性驱动探索
机器人学
2019-12-05 v1 计算机视觉与模式识别
摘要
执行自主探索的能力对于在非结构化或未知环境中运行的无人机（UAV）至关重要，这类环境中难以甚至无法预先描述环境。然而，自主探索算法通常侧重于以贪婪方式优化时间和覆盖率。此类探索会收集无关数据，并浪费时间航行于没有重要信息的区域。在本文中，我们提出一种方法，在探索环境的同时利用已发现的环境知识，该方法依赖于基于概率度量时序逻辑（P-MTL）的鲁棒性理论，并应用于混合系统的离线验证与在线控制。通过最大化探索问题预定义 P-MTL 规约的满足度，鲁棒性值引导无人机朝向具有更多有趣信息的区域以获取收益。我们使用马尔可夫链蒙特卡洛（Markov Chain Monte Carlo）来求解 P-MTL 约束。我们通过在亚马逊雨林上的自主探索仿真证明了所提方法的有效性，其中我们的方法用于检测非法手工小规模金矿开采（ASGM）活动占据的区域。结果表明，就 ASGM 覆盖率而言，我们的方法比一种贪婪探索方法（Autonomous Exploration Planner）高出 38%。
引用
@article{arxiv.1912.01704,
title = {Robustness-Driven Exploration with Probabilistic Metric Temporal Logic},
author = {Xiaotian Liu and Pengyi Shi and Sarra Alqahtani and Victor Paúl Pauca and Miles Silman},
journal= {arXiv preprint arXiv:1912.01704},
year = {2019}
}
备注
10 pages, 8 figures, submitted to AAMAS 2020 for review