导航与主动推理探索：从生物学至工业.pdfVIP

导航与主动推理探索：从生物学至工业

DariadeTinguy,TimVerbelen,

andBartDhoedt

Ghentuniversity,Ghent,Belgiumdaria.detinguyatghent.be

Verses,LosAngeles,California,USA

摘要通过构建和更新内部认知地图，动物在复杂动态环境中展现出非凡的

导航能力。受这些生物机制启发，我们提出了一种基于主动推断框架（AIF）

本的实时机器人导航系统。我们的模型逐步构建拓扑图，推断代理的位置，并

译通过最小化预期不确定性和实现感知目标来规划动作，而无需任何预先训

中练。集成到ROS2生态系统中，我们在二维和三维环境（模拟和现实世界）

中验证了其适应性和效率，展示了与传统及最先进的探索方法相竞争的性

1能，同时提供了一种生物启发式的导航方法。

v

9

6Keywords:自主导航·主动推理·机器人学·拓扑地图。

2

7

0

.1介绍

8

0

5动物展现出令人惊叹的导航能力，使它们能够在复杂且不可预测的环境

2

:中繁荣生存。从跨越大陆迁徙的鸟类[8]，到学习复杂迷宫的老鼠[31]和在

v

i地铁中导航的人类[3]，生物体展示了探索、定位和规划的能力。这些能力依

x

r赖于内部的世界模型，使有机体能够想象轨迹并即时评估结果。这种能力远

a

远超过大多数自主系统，在现实世界环境中尤其如此，在那里预先绘制的路

线或监督学习往往无法适应动态变化[4,24,5,40]。

神经科学表明，动物利用结合空间、时间和关系信息的结构化内部表征

（认知地图）来进行导航[41,9,3]。这些模型通过经验形成和优化，使生物

体能够推断位置、预测结果并选择行动，且需要最少的监督。将这些见解应

用于机器人学可以实现适应性、数据高效性和稳健的行为[23,20]。

主动推断框架（AIF）提供了一个以原则为基础且具有生物学依据的方

法来建模此类行为，提出了一种统一的框架来进行这一努力。基于贝叶斯

推断和预测编码，AIF将感知、学习和行动视为单一生成过程的组成部分：

代理通过更新对世界的信念并选择动作来减少不确定性或满足偏好[10,11]，

2deTinguyD.etal.

从而最小化预期自由能。虽然在概念上颇具吸引力且具有生物学上的可能

性，但AIF在具身机器人中的应用有限，只有最近的一些工作在其导航背

景下探索了其实际部署[32]。

在本文中，我们提出了一种生物启发的导航系统，该系统将AIF应用

于现实世界的空间推理、定位和规划。我们的代理实时构建并更新拓扑认知

地图，使用它来推断其位置和状态，评估关于未访问区域的假设，并选择最

小化预期惊讶的动作。它不需要预训练，对传感器漂移和环境变化具有鲁棒

性，并且能够持续适应。

我们在各种环境中验证了我们的方法，从简单的2D迷宫到大规模的3D

环境（使用ROS2[30]），这些环境具有逼真的动态和感知功能