jarxiv

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論的表現を必要とすることがよくあります。
環境を推測する際、将来のアクションを計画する際には、考えられる多くのシナリオを考慮する必要があります。
オブジェクトのクラス タイプは離散的であり、ロボットの自己ポーズとオブジェクトのポーズは連続的であるため、環境はモデルと受信データに従って更新される離散-連続のハイブリッド信念によって表すことができます。
環境を表す事前確率と観測モデルは、深層学習アルゴリズムを使用してデータから学習できます。
このようなモデルは、多くの場合、環境の意味論的特性と幾何学的な特性を結び付けます。
その結果、意味変数が相互接続され、意味状態空間の次元が指数関数的に増加します。
この論文では、ハイブリッド意味論的信念と幾何学的信念を備えた部分的に観察可能なマルコフ決定プロセス (POMDP) を使用して、不確実性の下での計画を検討します。
モデルと事前分布では、意味変数と幾何変数の間の結合が考慮されます。
POMDP 内で、意味を意識した安全性の概念を導入します。
価値関数の推定に必要な、理論上のハイブリッド信念の代表的なサンプルを取得することは、非常に困難です。
主な貢献として、私たち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的なサンプルをサンプリングします。
特定の条件下では、すべての可能な意味論的マッピングに対する明示的な期待を使用して、価値関数と安全性の確率を効率的に計算できることを示します。
私たちのシミュレーションは、目的関数と安全確率の推定が、理論的なハイブリッド信念からのサンプルを使用して意味論的状態空間全体で徹底的に実行される推定器と比較して、同様のレベルの精度を達成することを示しています。
それにもかかわらず、推定量の複雑さは指数関数的ではなく多項式です。

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, Google