75、感知不确定下的机器人定位规划

感知不确定下的机器人定位规划

1. 搜索问题中的新成本与信息改进

在搜索问题中，与以往不同，这里存在一种新的成本。搜索不再是在搜索树中随意跳跃，而是机器人要走过一条连续的长路径，这种跳跃被称为重路由路径。

信息改进方面，机器人可能无法回到之前的非确定性信息状态（I - state）。例如，机器人执行 (F, F, R) 后，再尝试用 (B, L, F) 回到相同状态，虽能知道回到了同一位置，但状态仍未知。不过，执行 (F, F, R) 后可能缩小了当前状态的可能性范围，用 (B, L, F) 返回时，非确定性 I - state 会不同。

这意味着搜索算法要考虑机器人移动成本，且搜索图是有向的。虽然返回同一位置时 I - state 可能不同，但总是至少和之前一样好。若 η1 和 η2 分别是同一位置的原始和后续历史 I - state，总有 X(η2) ⊆ X(η1)，即信息在这种定位问题中总是在改进，机器人返回之前的 I - state 时会找到更优的 I - state。

2. 其他信息模型

目前介绍的模型只是众多有趣模型中的一种。如果机器人携带能指示方向的指南针，就无需将方向作为状态的一部分。此时，动作集 U = {N, E, W, S} 分别表示北、东、西、南，一些问题会变得简单，如某些例子可通过动作序列 (E, N) 解决。

若给机器人更少信息，也能构建其他有趣模型。之前的模型中，机器人可根据不同形式的里程计推断当前相对起始位置。但如果机器人要探索图而非网格，情况会不同。若动作集只指示可穿越的边，机器人就无法使用角度里程计，因为它不知道边之间的相对方向，所有度数相同的顶点看起来都一样。