MAPLE：面向无学习室内探索的蒙德里安锚定先验
论文提出 MAPLE（Mondrian-Anchored Prior for Learning-free Indoor Exploration），一种无需训练的室内探索预测方法：将蒙德里安过程改造为在线生成式先验，以当前部分地图中观测到的几何线索为条件，生成多个可能的地图假设，并在每个假设内分别评估可见性以估计前沿增益。在 KTH 平面图及多种传感器范围下的真实 SLAM 环境中，MAPLE 一致优于非预测式探索，并与基于学习的预测方法保持竞争力；其轻量过程式构建可在有限算力下运行。实验还显示，更准确的地图预测不一定带来更好的探索效果，预测的表示与使用方式同样关键。
发布于 10-22 10:56来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《MAPLE: Mondrian-Anchored Prior for Learning-free Indoor Exploration》查看原链
摘要：机器人在探索未知室内环境时，必须在环境大部分尚未被观测的情况下决定移动方向。 预测当前传感器范围之外不可见空间的占用情况可以改善这类决策，但近期方法通常依赖需要离线训练、并在探索过程中反复推理的学习模型。 我们提出面向无学习室内探索的蒙德里安锚定先验（MAPLE），这是一种无需训练的预测方法，它将蒙德里安过程改造为在线生成式先验，并以当前部分地图中观测到的几何线索为条件。
MAPLE 生成多个可能的地图假设，并在每个假设内分别评估可见性，以估计前沿增益，从而保留不同假设之间预测可见性的差异。 在 KTH 平面图以及多种传感器范围下的真实 SLAM 环境中，MAPLE 始终优于非预测式探索，并与基于学习的预测方法保持竞争力。
其轻量的过程式构建方式使预测式探索能够在有限计算资源下运行。 实验结果进一步表明，更准确的地图预测并不必然带来更好的探索效果，这凸显了预测在探索决策中如何表示与使用的重要性。