Online Hybrid-Belief POMDP with Coupled Semantic-Geometric Models and Semantic Safety Awareness

要約

複雑で未知の環境で動作するロボットは、タスクを安全に実行するために、環境の幾何学的意味表現を頻繁に必要とする。環境を推測しながら、将来の行動を計画する際には、多くの可能なシナリオを考慮しなければならない。物体のクラスタイプは離散的であり、ロボットの自己ポーズと物体のポーズは連続的であるため、環境はモデルと入力データに従って更新される離散-連続ハイブリッド信念によって表現することができる。環境を表す事前確率と観測モデルは、ディープラーニングアルゴリズムを用いてデータから学習することができる。このようなモデルは多くの場合、環境の意味的特性と幾何学的特性を結びつける。その結果、意味変数は相互に接続され、意味状態空間の次元が指数関数的に増大する。本論文では、ハイブリッドなセマンティック-幾何学的信念を持つ部分観測可能マルコフ決定過程（POMDP）を用いた不確実性下のプランニングを考察する。モデルと事前分布は意味変数と幾何変数の間の結合を考慮する。POMDPの中で、意味的安全性（semantically aware safety）という概念を導入する。価値関数の推定に必要な理論的ハイブリッド信念の代表サンプルを得ることは非常に困難である。重要な貢献として、我々はハイブリッド信念の新しい形式を開発し、それを活用して代表サンプルをサンプリングする。ある条件下で、可能な全ての意味的マッピングに対する明示的な期待値で、価値関数と安全確率を効率的に計算できることを示す。我々のシミュレーションにより、理論的ハイブリッド信念からのサンプルを用いて意味的状態空間全体を網羅的に実行する推定量と比較して、目的関数と安全確率の我々の推定量が同程度の精度を達成することが示された。とはいえ、我々の推定器の複雑さは指数関数的ではなく多項式的である。

要約(オリジナル)

Robots operating in complex and unknown environments frequently require geometric-semantic representations of the environment to safely perform their tasks. While inferring the environment, they must account for many possible scenarios when planning future actions. Since objects’ class types are discrete and the robot’s self-pose and the objects’ poses are continuous, the environment can be represented by a hybrid discrete-continuous belief which is updated according to models and incoming data. Prior probabilities and observation models representing the environment can be learned from data using deep learning algorithms. Such models often couple environmental semantic and geometric properties. As a result, semantic variables are interconnected, causing semantic state space dimensionality to increase exponentially. In this paper, we consider planning under uncertainty using partially observable Markov decision processes (POMDPs) with hybrid semantic-geometric beliefs. The models and priors consider the coupling between semantic and geometric variables. Within POMDP, we introduce the concept of semantically aware safety. Obtaining representative samples of the theoretical hybrid belief, required for estimating the value function, is very challenging. As a key contribution, we develop a novel form of the hybrid belief and leverage it to sample representative samples. We show that under certain conditions, the value function and probability of safety can be calculated efficiently with an explicit expectation over all possible semantic mappings. Our simulations show that our estimates of the objective function and probability of safety achieve similar levels of accuracy compared to estimators that run exhaustively on the entire semantic state-space using samples from the theoretical hybrid belief. Nevertheless, the complexity of our estimators is polynomial rather than exponential.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL