28、机器人地标自主选择与交互式叙事的前瞻引导

机器人地标自主选择与交互式叙事的前瞻引导

机器人地标自主选择

过滤的重要性

在机器人导航中，过滤机制起着关键作用。若不引入巧妙的投票方案去除与墙壁垂直的声纳影响，过滤器会将每个感知都视为地标。此外，过滤器的递归特性以及噪声模型的时间依赖性，为地标检测系统提供了额外的上下文信息。这使得通过该系统选择的地标与近期地标相比具有明显的区别，而这种独特性在利用地标进行定位时尤为重要。

地标分类

采用自组织映射（SOM）对预期地标检测器发现的地标进行分类，因为它是一种知名的自组织算法。不过，许多其他算法也可用于地标分类。在选择训练感知或传感器输入时，目前尚未找到明确的偏好理由，但在对齐和选择地标时使用类别可显著提高其性能。类别数量可能会影响地标对齐，过多的类别会导致环境分类过于精细，例如将“带有划痕的 T 形路口”作为类别，而不是更通用的“T 形路口”。若没有聚类相似类别的方法，地标必须与类别完全匹配的假设将不成立。

不同地标检测方法比较

非预期的 GWR 新奇过滤器与简单预期模型的表现水平相近，但选择的地标差异很大。这种地标选择方法存在一个问题，当插入阈值提高到能选择足够数量的地标时，环境分类会过于精细，实际对齐的地标比例很小。而且，由于该方法不基于预期，机器人在训练中未见过的变化（如比训练时更靠近墙壁）会被检测为地标，而预期系统能更好地处理这些变化。此外，这种感知新奇系统找到的地标与整个感知历史不同，而不是基于近期上下文，这可能会排除一类可能有用的地标，即与周围环境不同但对机器人来说可能熟悉的地标。

方法总结与选择

有预期地标检测器和非预期地标检测器两种方法。预期地标检测器