机器人探索新思路：FarMap神经启发地图构建揭秘

以下内容来自小六的机器人SLAM学习圈知识星球每日更新内容

点击领取学习资料 → 机器人SLAM学习资料大礼包

arxiv|麻省理工开源FarMap：通过分割和回溯的神经启发式方法实现高效地构建地图

【Neuro-Inspired Efficient Map Building via Fragmentation and Recall】

开源地址：GitHub - FieteLab/FarMap: Neuro-Inspired Efficient...

文章链接：[2307.05793] Neuro-Inspired Efficient Map Building...

动物和机器人通过构建和完善环境地图来导航。这些地图可以实现一些功能，包括回到家的导航、规划、搜索和觅食。在大型环境中，对空间进行探索是一个难题：智能体可能会陷入局部区域。在这里，我们借鉴神经科学的见解，提出并应用了“分割和回忆”（FarMap）的概念，，通过基于惊异度的空间聚类构建局部地图来解决映射问题，并将其用于设置用于空间探索的子目标。Agent构建并使用一个局部地图来预测他们的观测值；过高的惊异度会导致“分割事件”，截断局部地图。在这些事件中，最近的局部地图被放置到长时记忆( long-term memory，LTM )中，并初始化一个不同的局部地图。如果某个断裂点的观测值与其中一个存储的局部地图中的观测值匹配，则从LTM中调用该地图(并因此重复使用)。这些分割点引发了更大空间的自然在线聚类，形成了作为拓扑图存储在长期记忆中的一组内在潜在子目标。

距离Agent分别从当前局部地图或LTM中的近、远潜在子目标集合中选择下一个子目标。因此，局部地图在局部引导探索，而长期记忆促进全局探索。我们在复杂的程序生成的空间环境中评估FarMap，以证明这种建图策略可以更快地覆盖环境(agent步数和wall-clock时间)，并且在不损失性能的情况下更有效地使用内存。
我们提出了一种新的基于碎片化和回忆的地图构建框架，将探索空间划分为多个碎片，并对先前探索的碎片进行回忆；#论文##开源# 贡献如下：
⭐我们提出了一个程序生成的空间探索环境，具有多个房间和路径的复杂形状；
⭐我们将我们的框架应用于空间地图构建任务，将其称为具有短期和长期记忆的Far Map。
⭐我们的实验表明，与baseline相比，FarMap减少了wall-clock时间和步骤(动作)的数量，同时具有更小的在线内存大小。

以上内容来自小六的机器人SLAM学习圈知识星球每日更新内容