发表机构
University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
提出Informed BLT*算法，利用W_2度量扩展RRT*至信念空间，支持点云观测的数字孪生规划，实现高效引导与信息重用，实验显示更快初始解与竞争力成本收敛。
AI 中文摘要
我们提出了信息化信念定位树*（Informed BLT*），一种基于采样的信念空间规划（BSP）算法，可扩展到具有点云观测的大型户外数字孪生。我们使用$2$-Wasserstein（$W_2$）度量将RRT*和Informed RRT*适配到信念空间。假设各向同性高斯信念，采样的信念状态可以在考虑可用信息和概率碰撞约束的情况下高效连接。这使得无需重复传播观测即可进行引导和重连，并允许重用先前计算的测量信息。我们提出了一个框架，用于生成语义标注的数字孪生，以在基于点云定位的真实世界环境中进行规划。在模拟环境和数字孪生中的实验表明，在大多数地图中，初始解发现更快，且成本收敛具有竞争力。
英文摘要
We present Informed Belief Localization Trees* (Informed BLT*), a sampling-based belief space planning (BSP) algorithm that scales to large outdoor digital twins with point-cloud observations. We adapt RRT* and Informed RRT* to belief space using the $2$-Wasserstein ($W_2$) metric. Assuming isotropic Gaussian beliefs, sampled belief states can be connected efficiently while accounting for available information and probabilistic collision constraints. This enables steering and rewiring without repeatedly propagating observations, and allows previously computed measurement information to be reused. We present a framework to generate semantically labelled digital twins for planning in real-world environments with point-cloud-based localization. Experiments in simulated environments and digital twins show faster initial solution discovery in most maps with competitive cost convergence.
