Enhancing Exploration Efficiency using Uncertainty-Aware Information Prediction

要約

自律探索はロボット工学の重要な側面であり、ロボットが事前知識がなくても未知の環境を探索し、地図を生成できるようになります。
この論文では、ニューラル ネットワーク ベースの占有グリッド マップ予測を不確実性を考慮したベイジアン ニューラル ネットワークと統合することにより、探索効率を向上させる方法を提案します。
ニューラル ネットワーク ベースの占有グリッド マップ予測からの不確実性は、探索のための相互情報に確率的に統合されます。
提案手法の有効性を実証するために、現実的なシミュレータ環境でのフロンティア探索フレームワーク内で、さまざまな情報指標に対する比較シミュレーションを実行しました。
提案手法は探査効率の点で優れた性能を示した。

要約(オリジナル)

Autonomous exploration is a crucial aspect of robotics, enabling robots to explore unknown environments and generate maps without prior knowledge. This paper proposes a method to enhance exploration efficiency by integrating neural network-based occupancy grid map prediction with uncertainty-aware Bayesian neural network. Uncertainty from neural network-based occupancy grid map prediction is probabilistically integrated into mutual information for exploration. To demonstrate the effectiveness of the proposed method, we conducted comparative simulations within a frontier exploration framework in a realistic simulator environment against various information metrics. The proposed method showed superior performance in terms of exploration efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google