通过资源最优利用实现机器人安全高效估计

为了在物理世界中运行和交互，机器人需要拥有环境当前和未来状态的估计。因此，我们为机器人配备传感器，并构建模型和算法，根据某些测量值产生当前或未来状态的估计。环境可能不可预测，传感器也不完美。因此，既要充分利用所有可用信息，又要以最优方式利用信息：确保我们从拥有的信息量中获得最佳答案。然而，在主流研究中，不常见的传感器（如声音或射频信号）通常被忽略用于状态估计；而最流行的用于产生状态估计的求解器仅具有局部性质，这意味着它们可能为典型的非凸估计问题产生次优估计。我的研究旨在通过以下方式更优地利用资源：1）多模态：利用无处不在的射频收发器和麦克风支持状态估计；2）构建可证明最优的求解器；3）从数据中学习和改进适当的模型。