77、感知不确定性下的规划策略

感知不确定性下的规划策略

在机器人导航和路径规划领域，感知不确定性是一个常见且具有挑战性的问题。当机器人处于未知环境中时，它需要依靠有限的传感器信息来做出决策，以实现到达目标状态的任务。下面将介绍几种在感知不确定性下的规划算法和策略。

1. 信息反馈规划与 I - 空间

在某些情况下，如果环境中存在特殊对象，机器人即使没有完整的地图，也能通过特定策略找到该对象。这种方法可以被视为 I - 空间上的信息反馈规划。在这种规划方式中，不需要从问题数据中计算替代方案，因为该规划可以在不修改的情况下处理所有可能的环境，这体现了直接在环境集合的 I - 空间上工作的强大之处，而不是依赖于状态估计。

2. Stentz 算法（D∗）

2.1 算法背景与应用场景

想象使用机器人车辆探索未知星球，机器人在崎岖地形上移动，同时使用距离扫描仪精确测量周围地面情况。在移动过程中，机器人可能发现某些区域比预期更容易通过，或者某些原本打算前往的方向因大石头或沟壑而无法通行。若目标是到达指定坐标，这就是一个未知环境中的导航问题。Stentz 算法常用于许多户外车辆导航应用中。

2.2 算法原理

Stentz 算法可以看作是 Dijkstra 算法反向变体的动态版本。它维护从目标向外扩展的“到目标的代价”（cost - to - go）值，而不是像传统 Dijkstra 算法那样维护从初始状态 $x_I$ 开始的“已走过的代价”（cost - to - come）值。该方法适用于任何最优规划问题，在状态转移图中，假设边转移的代价是未知的。

2.3 具体问题建模

将星球表面划分为