PIPE Planner: Pathwise Information Gain with Map Predictions for Indoor Robot Exploration

要約

未知の環境での自律調査には、計画の決定を導くためのアクションの情報ゲインを推定する必要があります。
事前のアプローチは多くの場合、個別のウェイポイントで情報ゲインを計算しますが、PathWise Integrationはより包括的な推定を提供しますが、多くの場合、計算上挑戦的または実行不可能であり、過大評価を受けやすくなります。
この作業では、Exploration（Pipe）プランナーのMAP予測でPathWise情報ゲインを提案します。これは、MAPの予測を活用して過大評価を軽減しながら、計画された軌跡に沿った累積センサーカバレッジを統合します。
効率的なPathwiseカバレッジ計算を有効にするために、計画されたパスに沿って予想される観測マスクを効率的に計算する方法を導入し、計算オーバーヘッドを大幅に削減します。
実際のフロアプランデータセットのパイプを検証し、最先端のベースラインよりも優れたパフォーマンスを示しています。
私たちの結果は、予測マッピングをPathWise情報ゲインと効率的で情報に基づいた探索の統合の利点を強調しています。

要約(オリジナル)

Autonomous exploration in unknown environments requires estimating the information gain of an action to guide planning decisions. While prior approaches often compute information gain at discrete waypoints, pathwise integration offers a more comprehensive estimation but is often computationally challenging or infeasible and prone to overestimation. In this work, we propose the Pathwise Information Gain with Map Prediction for Exploration (PIPE) planner, which integrates cumulative sensor coverage along planned trajectories while leveraging map prediction to mitigate overestimation. To enable efficient pathwise coverage computation, we introduce a method to efficiently calculate the expected observation mask along the planned path, significantly reducing computational overhead. We validate PIPE on real-world floorplan datasets, demonstrating its superior performance over state-of-the-art baselines. Our results highlight the benefits of integrating predictive mapping with pathwise information gain for efficient and informed exploration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google