Active map learning for robots:insights into statistical consistency

Abstract

El problema de aprendizaje de entornos desconocidos en robótica móvil recibe el nombre de SLAM (Simultaneous Localization and Mapping). Si además el robot tiene que tomar decisiones en este ámbito se denomina SLAM activo o simplemente, exploración. Dada la naturaleza del problema, los métodos actuales de SLAM están basados en una fuerte formulación probabilista, en la forma de filtros Bayesianos. Extensiones de esta formulación en el ámbito de la toma de decisiones en entornos inciertos permiten resolver el problema de forma activa y autónoma, usando, por ejemplo, MDPs (Markov Decision Processes). Por un lado, la enorme dimensionalidad (temporal, espacial y estadística) del problema de SLAM hace que, matemáticamente, no exista solución completa. Existen soluciones subóptimas presentadas en la literatura actual basadas en aproximaciones lineales de primer orden, como el filtro de Kalman extendido (EKF) o métodos de muestreo, como el filtro de partículas Rao-Blackwellizado (RBPF), pero que sufren de cierta inconsistencia estadística que provoca resultados