本文探讨了一种1999年的机器人自主探索方法，利用拓扑地图和神经网络进行未知环境的探索。拓扑地图简化存储，减少对高精度传感器的需求，神经网络用于预测可达性。算法选择预测点导航，通过实际探索验证地图。尽管存在预测误差，通过调整网络参数能有效管理。这种方法的优点是减少复杂性，缺点在于地图可读性差，需要预先训练数据集。
（今天考古了一下，翻到了一篇1999年的老文章，阅读这篇老文章的目的主要是觉得本文使用到了拓扑地图，觉得会对今后的研究工作有一个新的思路）
目录
1. 论文背景
本文是早期机器人自主探索的文章，因此使用的技术十分陈旧，但老论文嘛，常读常新。本文的主要思想依然是基于边界思想（Frontier-based，1997年由Yamauchi提出），即探索过程中的目标点选在边界附近。而边界思想的原文使用的是栅格地图或表征地图，这类地图首先需要对机器人的激光传感器数据有很高的要求，因为建立这类地图需要高精度的定位。本文则是在边界思想的前提上，使用拓扑地图（topological map）来表示环境，而且加入了一个全连接神经网络来选择目标点。这样做的优缺点是：
优点： 拓扑地图可以简化地图的存储形式，并且不需要很高精度的传感器数据，使用神经网络来学习地图，减少了算法的复杂程度。
缺点： 需要提前准备数据集对网络进行训练，虽然拓扑地图存储小，易遍历，但是可读性差，表达不够直观。
2.探索策略概述
这一块也是我觉得有所启发的一部分，因为拓扑地图在现在的机器人探索研究工作中并不属于热点话题，因为它的可读性实在太差了（对于一个外行人根本不知道啥意思），但是拓扑地图有一个优点是，它可以清楚的表现出相邻节点之间的连接关系，也就是说，可以只用点和线来表示哪些地方可走，哪些地方不可走。
2.1 地图的两类节点
拓扑地图仅有点和线段连接而成，本文中把地图上的节点分为两类：预测点（Predicted）和可通过点（Confirmed）
（1）预测点（Predicted）：此类点由神经网络预测得到，表示的是下一步机器人要走的目标点，或者是候选目标点；
（2）可通过点（Confirmed）：机器人已经探索过的点，并确保此点可通行。
图1 生成的拓扑地图（方块表示预测点，原点表示可通过点）
这种地图虽然不易读，但是连接关系很明朗，而且实心的点都是确保可以到达的，有点类似于随机图（RRG）。
2.2 神经网络结构
本文使用的是上图所示的全连接三层神经网络，6intput，1output， 六个输入分别来自于红外线传感器和声纳传感器的数据，输出就是当前机器人转角下的一定距离内是否可以通过。如果预测可以通过，那么就在拓扑地图上的相应转角下画一个方块，如果不可以通过，那就不对map进行处理。
有了预测点后，机器人会选择距离自己最近的一个预测点导航，如果顺利无碰撞的导航至该点，那么就将地图上的方块变为圆点，如果不能顺利到达，就将地图中的方块删掉，以此来完成地图的验证和更新。
2.3 预测结果误差的影响
由于任何一个网络都会存在误差，即便是网络的精确度再高，误差也会存在，因此，这就牵扯到了一个预测结果的问题。结果总共有四种情况：
（1）真阳性：预测某一点为可通过，实际上该点确实可通过；
（2）假阴性：预测某一点为不可通过，实际上该点确实不可通过；
（3）真阴性：预测某一点为不可通过，但实际上该点是可通过的；
（4）假阳性：预测某一点为可通过，但实际上该点是不可通过的；
（1）和（2）是网络预测正确的结果，（4）尽管预测错了，但是对于建图来说没有什么影响，因为机器人在确定预测点后，会移动至该点，起到了一个后验的作用。（3）这种情况是对建图有影响的，因为预测为不可通过，地图中就不会有预测点，后续也不会有验证的过程，相当于地图上这个点就遗失了，建图不完整。
本文中的解决方案就是，为神经网络中的neural添加一个偏执δ，提高了网络判定某个点为不可通过点的难度。换句话说就是，对于一个点来说，网络更容易判断它为不可通过点。
3. 算法优缺点
优点： 拓扑地图可以简化地图的存储形式，并且不需要很高精度的传感器数据，使用神经网络来学习地图，减少了算法的复杂程度。
缺点： 需要提前准备数据集对网络进行训练，虽然拓扑地图存储小，易遍历，但是可读性差，表达不够直观。
2097
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
