Data Association Aware POMDP Planning with Hypothesis Pruning Performance Guarantees

要約

実世界で活動する自律型エージェントは、しばしば部分観測可能性を扱わなければならず、一般に部分観測可能マルコフ決定過程（POMDP）としてモデル化される。しかし、従来のPOMDPモデルは、完全観測可能なデータ関連付けとして知られる、観測源の完全な知識の仮定に依存している。この制限に対処するため、我々は、信念混合物として表される複数のデータ関連仮説を保持する計画アルゴリズムを提案する。しかし、この方法では、仮説の数が指数関数的に増加し、計算オーバーヘッドが大きくなる可能性がある。この課題を克服するために、本論文では、曖昧なデータ関連付けを持つプランニングのためのプルーニングに基づくアプローチを紹介する。我々の重要な貢献は、完全な仮説セットに基づく価値関数と、刈り込まれた仮説のサブセットに基づく価値関数の間の境界を導き出し、計算効率と性能のトレードオフを確立することを可能にする。我々は、これらの境界が、どのような刈り込みヒューリスティックも事後的に認証するために使用できることを示し、損失の事前定義された制限を保証するために、どの仮説を刈り込むかを決定する新しいアプローチを提案する。我々のアプローチを模擬環境で評価し、データの関連性が曖昧なマルチモーダルな信念仮説を扱う際の有効性を実証する。

要約(オリジナル)

Autonomous agents that operate in the real world must often deal with partial observability, which is commonly modeled as partially observable Markov decision processes (POMDPs). However, traditional POMDP models rely on the assumption of complete knowledge of the observation source, known as fully observable data association. To address this limitation, we propose a planning algorithm that maintains multiple data association hypotheses, represented as a belief mixture, where each component corresponds to a different data association hypothesis. However, this method can lead to an exponential growth in the number of hypotheses, resulting in significant computational overhead. To overcome this challenge, we introduce a pruning-based approach for planning with ambiguous data associations. Our key contribution is to derive bounds between the value function based on the complete set of hypotheses and the value function based on a pruned-subset of the hypotheses, enabling us to establish a trade-off between computational efficiency and performance. We demonstrate how these bounds can both be used to certify any pruning heuristic in retrospect and propose a novel approach to determine which hypotheses to prune in order to ensure a predefined limit on the loss. We evaluate our approach in simulated environments and demonstrate its efficacy in handling multi-modal belief hypotheses with ambiguous data associations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL