[人工智能]文献阅读笔记——《Map Merging of Multi-Robot SLAM using Reinforcement Learning》

Map Merging of Multi-Robot SLAM using Reinforcement Learning

摘要：

当环境变得太大以至于单个机器人无法精确地图时，需要多机器人SLAM，本篇论文概述何时合并多个机器人的地图最佳。方法是基于粒子滤波器的当前状态和环境的当前状态，使用强化学习建立模型进行训练来确定何时决定最好合并。

引言：

解决SLAM问题时，通常只有一种环境表示，最常见的是稀疏室外环境使用地标的基于特征的模型，或者结构化室内环境使用占用网格的密集表示。随着移动机器人越来越多地用于室内和室外混合环境，很明显，解决方案需要依赖于能够确定应该使用哪种补偿的方法，以最大限度地提高最终SLAM算法的精度。
本文使用强化学习来根据当前的传感器观察，选择应该使用哪种环境表示。本文的贡献在于将这种方法扩展到多机器人地图合并中。本文的重点不是开发最佳的地图合并算法，而是开发能够决定应该采用哪种地图合并技术的决策算法