Key points are not available for this paper at this time.
La construction automatique de cartes à partir des données de capteurs est une compétence nécessaire et fondamentale pour les robots mobiles ; en conséquence, une attention considérable a été accordée aux défis techniques inhérents au problème de cartographie. Bien que les techniques d'inférence statistique aient conduit à des algorithmes de cartographie computationnellement efficaces, le prochain grand défi dans la cartographie robotique est d'automatiser le processus de collecte de données. Dans cet article, nous abordons le problème de la manière dont un robot devrait planifier l'exploration d'un environnement inconnu et collecter des données afin de maximiser l'exactitude de la carte résultante. Nous formulons l'exploration comme un problème d'optimisation contraint et utilisons l'apprentissage par renforcement pour trouver des trajectoires qui conduisent à des cartes précises. Nous démontrons ce processus en simulation et montrons que la politique apprise non seulement aboutit à une amélioration de la construction de cartes, mais que la politique apprise se transfère également avec succès à un robot réel explorant le campus du MIT.
Kollar et al. (Fri,) ont étudié cette question.