在这项工作中,我们研究了在不确定性下的在线决策问题,我们将其制定为在信仰空间的规划中。在高维状态(例如,整个轨迹)上维护信仰(即,整个轨迹)不仅被证明可以显着提高准确性,而且还允许在主动SLAM和信息收集的任务所需的情况下规划信息理论目标。尽管如此,根据这种“平滑”范式的规划持有高计算复杂性,这使得在线解决方案具有挑战性。因此,我们建议以下想法:在规划之前,在初始信念上执行独立状态可变重新排序过程,并“推进”所有预测的环路关闭变量。由于初始可变顺序确定将受到传入更新影响的它们的哪个子集,因此这种重新排序允许我们最小化受影响变量的总数,并在规划期间降低候选评估的计算复杂性。我们称之为Pivot:预测增量变量订购策略。应用此策略也可以提高国家推理效率;如果我们在规划会议后维持枢轴令,那么我们应该同样降低循环闭合的成本,当实际发生时。为了展示其有效性,我们将枢轴应用于一个现实的主动Slam仿真中,在那里我们设法显着减少了规划和推理会话的计算时间。该方法适用于一般分布,并不能准确地损失。
translated by 谷歌翻译