Learning-based Methods for Adaptive Informative Path Planning

要約

適応型情報経路計画 (AIPP) は多くのロボット工学アプリケーションにとって重要であり、移動ロボットが最初は未知の環境に関する有用なデータを効率的に収集できるようにします。
さらに、ロボット工学では、多様で複雑なタスクに対する適応性、多用途性、堅牢性を高めるために、学習ベースの手法がますます使用されています。
私たちの調査では、ロボット学習を AIPP に適用し、これら 2 つの研究分野間のギャップを埋める研究を調査しています。
まず、一般的な AIPP 問題に対する統一された数学的フレームワークを提供します。
次に、(i) 学習アルゴリズムと (ii) ロボット応用の観点から、現在の研究の 2 つの相補的な分類法を確立します。
相乗効果や最近の傾向を調査し、AIPP フレームワークにおける学習ベースの手法の利点を強調します。
最後に、学習を通じてより一般的に適用可能で堅牢なロボット データ収集システムを可能にするための主要な課題と有望な将来の方向性について説明します。
私たちは、この分野での今後の研究を促進するために、公開されているリポジトリを含む、調査でレビューされた論文の包括的なカタログを提供します。

要約(オリジナル)

Adaptive informative path planning (AIPP) is important to many robotics applications, enabling mobile robots to efficiently collect useful data about initially unknown environments. In addition, learning-based methods are increasingly used in robotics to enhance adaptability, versatility, and robustness across diverse and complex tasks. Our survey explores research on applying robotic learning to AIPP, bridging the gap between these two research fields. We begin by providing a unified mathematical framework for general AIPP problems. Next, we establish two complementary taxonomies of current work from the perspectives of (i) learning algorithms and (ii) robotic applications. We explore synergies, recent trends, and highlight the benefits of learning-based methods in AIPP frameworks. Finally, we discuss key challenges and promising future directions to enable more generally applicable and robust robotic data-gathering systems through learning. We provide a comprehensive catalogue of papers reviewed in our survey, including publicly available repositories, to facilitate future studies in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google