Los puntos clave no están disponibles para este artículo en este momento.
Los robots móviles autónomos (AMRs) equipados con cámaras de alta calidad han revolucionado el campo de las inspecciones al proporcionar medios eficientes y rentables para realizar encuestas. El uso de inspecciones autónomas se está volviendo más generalizado en una variedad de contextos, sin embargo, sigue siendo un desafío adquirir la mejor información de inspección de manera autónoma. En situaciones donde los objetos pueden bloquear la vista de un robot, es necesario utilizar razonamiento para determinar los puntos óptimos para recopilar datos. Aunque los investigadores han explorado aplicaciones basadas en la nube para almacenar datos de inspección, estas aplicaciones pueden no funcionar de manera óptima bajo restricciones de red, y analizar estos conjuntos de datos puede requerir mucho trabajo manual. En cambio, hay una necesidad emergente para que los AMRs capturen de manera eficiente las vistas más informativas de forma autónoma. Para abordar este desafío, presentamos un marco autónomo de Siguiente Mejor Punto de Vista (NBV) que maximiza la información de inspección mientras reduce el número de fotos necesarias durante las operaciones. El marco consiste en una métrica de evaluación formalizada que utiliza trazado de rayos e interpolación de procesos gaussianos para estimar la recompensa de información basada en la comprensión actual del entorno parcialmente conocido. Se utiliza un método de optimización sin derivadas (DFO) para muestrear vistas candidatas en el entorno e identificar el punto NBV. La efectividad del enfoque propuesto se demuestra al compararlo con métodos existentes y se valida aún más a través de simulaciones y experimentos con varios vehículos.
Gao et al. (Vie,) estudiaron esta cuestión.