在线任意时刻信念空间规划中先前知识的利用
Previous Knowledge Utilization In Online Anytime Belief Space Planning
AI总结：
针对连续空间在线规划中历史信息被丢弃的问题，提出一种基于MCTS的计算高效方法，通过重用历史规划数据，在保持高性能的同时显著减少计算时间，提升不确定环境下决策效率。
摘要：
在机器人和自主系统中，不确定性下的在线规划仍然是一个关键挑战。虽然树搜索技术通常用于在计算约束内构建部分未来轨迹，但大多数现有方法在考虑连续空间时会丢弃先前规划会话的信息。本研究提出了一种新颖且计算高效的方法，在当前决策过程中利用历史规划数据。我们为信息重用策略提供了理论基础，并引入了一种基于蒙特卡洛树搜索（MCTS）的算法来实现该方法。实验结果表明，我们的方法在保持高性能水平的同时显著减少了计算时间。我们的研究结果表明，整合历史规划信息可以大幅提升不确定环境中在线决策的效率，为更具响应性和适应性的自主系统铺平道路。
英文摘要：
Online planning under uncertainty remains a critical challenge in robotics and autonomous systems. While tree search techniques are commonly employed to construct partial future trajectories within computational constraints, most existing methods discard information from previous planning sessions considering continuous spaces. This study presents a novel, computationally efficient approach that leverages historical planning data in current decision-making processes. We provide theoretical foundations for our information reuse strategy and introduce an algorithm based on Monte Carlo Tree Search (MCTS) that implements this approach. Experimental results demonstrate that our method significantly reduces computation time while maintaining high performance levels. Our findings suggest that integrating historical planning information can substantially improve the efficiency of online decision-making in uncertain environments, paving the way for more responsive and adaptive autonomous systems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
