Los puntos clave no están disponibles para este artículo en este momento.
El proceso de decisión de Markov parcialmente observable (POMDP) proporciona un modelo matemático fundamentado para integrar percepción y planificación, un gran desafío en robótica. Aunque existen algoritmos eficientes para POMDPs discretos de tamaño moderado, los modelos continuos son a menudo más naturales para tareas robóticas, y actualmente no hay algoritmos prácticos que manejen POMDPs continuos a una escala interesante. Este documento presenta un algoritmo para POMDPs de estado continuo y observación continua. Proporcionamos resultados experimentales que demuestran su potencial en la planificación y el aprendizaje de robots bajo incertidumbre y un análisis teórico de su rendimiento. Un beneficio directo del algoritmo es simplificar la construcción del modelo.
Bai et al. (Thu,) estudiaron esta cuestión.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: