26、基于不精确概率的机器人路径规划

基于不精确概率的机器人路径规划

引言

在机器人路径规划中，将零散的人类输入转化为定量数据是一个关键问题。传统的贝叶斯方法在处理这类问题时存在一定的局限性，因为缺乏可靠的“人类传感器”模型，且在面对零散、不精确的人类输入时效果不佳。因此，本文提出使用不精确概率模型来解决这些问题。

不精确概率的地图表示

• 贝叶斯方法的局限性 ：使用贝叶斯方法创建和维护概率占用网格地图时，需要传感器和环境的概率模型。但对于人类传感器，难以建立可靠的模型，因为人类输入往往是不精确和模糊的，如“在你前面”“在你左边附近”等表述，缺乏精确的距离和形状信息。而且不同人的感知和表达可能不同，为每个可能交互的人类代理建立模型既不实际也容易出错。
• 不精确概率的优势 ：不精确概率允许我们不强制为事件分配精确的概率，而是定义一个范围。它可以被看作是区间概率，每个事件都有一个上估计概率和一个下估计概率。与贝叶斯概率相比，不精确概率能自动通过上下概率的范围捕捉事件概率的置信度，且当上下概率相同时，不精确概率收敛于贝叶斯概率。我们使用两个单独的占用地图（信念地图和似然地图）来表示不精确概率占用网格。

结合车载传感器和人类输入的地图更新

• 地图更新流程 ：
  • 机器人从一个部分填充的环境地图开始，使用车载传感器更新传感器地图（SM），并通过SLAM进行定位。
  • 当有人类输入时，将其转换为空间规格数据结构，创建或更新人类输入地图（HIM），这是一个不精确概