AAAI-17获奖论文深度解读(下):蒙特卡罗定位和推荐系统

机器之心曾深度解读了 AAAI-17 大会评出的杰出论文和 Blue Sky Idea Awards 获奖论文,本期我们带来对 AAAI-17 两篇经典论文奖获奖论文的深度解读。

AAAI 经典论文奖会授予最具影响力论文的作者,这篇论文会来自某年会议论文。每一年,作为评选对象的会议都会往后推一年。

2017 年的奖项会授予 1999 年在佛罗里达召开的第 16 届 AAAI 会议最具影响力论文。

论文评选是以影响力为基础的,比如:

  • 开启了一个新的研究(子)领域

  • 导致了重要应用

  • 回答了一个长期困扰人们的问题/议题或者澄清了之前模糊的地方

  • 做出了能够载入子领域历史的主要贡献

  • 已经被视为重要的研究,已经被人工智能里(或外)的其他领域使用

  • 已经被大量引用

本届经典论文有两篇:一篇经典论文奖,一篇经典论文提名奖(Honorable Mention)。

AAAI-17 经典论文奖(Classic Paper Award)

论文标题:蒙特卡洛定位:移动机器人的有效位置估计(Monte Carlo Localization: Efficient Position Estimation for Mobile Robots)

作者:Dieter Fox, Wolfram Burgardy , Frank Dellaert, Sebastian Thrun

机器之心技术分析师 Elva Wang 对该论文进行了深度解读:

蒙特卡罗定位(Monte Carlo Localization/MCL)使用了随机化的样本(randomized samples)来表征一个机器人在环境中的位置的可信度(belief)。和之前的方法相比,这种方法在精确性、效率和易用性方面的表现是值得称道的。MCL 最早是在 1999 年的国际机器人与自动化会议(International Conference on Robotics and Automation)上提出的,并在机器人领域的基于样本的评估(sample-based estimation)中首次得到了应用,而现在它已经在种类广泛的应用中得到了使用。

这种新的基于样本的蒙特卡罗定位(sample-based Monte Carlo Localization)在计算上非常高效,同时还保留了它表征任意分布的能力。这种 MCL 应用了基于样本的方法来逼近样本数量所采用的概率分布,它是可以在线调整的,因此可以动态地调用样本集,这是基于网格的方法(通过三维网格进行表征,在计算上非常繁琐)所无法实现的。

引言

在移动机器人应用中,基于传感器的定位一直以来都被认为是一个关键的问题。定位(localization)是一种在线时间状态估计(on-line spatial state estimation),其中移动机器人需要在一个全局坐标系中估计其位置。定位问题有两种:全局定位(global localizaion)和位置跟踪(position tracking)。这篇论文指出全局定位问题难以解决,因为涉及到并不知晓其起始位置的机器人;而位置跟踪问题则已经得到了很好的研究,其中机器人知晓起始位置,只需考虑其运动过程所带来的误差即可。

机器人定位上的已有方法包括马尔可夫定位(Markov localization)、卡尔曼滤波(Kalman Filtering)、粒子滤波(Particle Filtering)、即时定位与地图构建(SLAM)和多机器人定位(Multi-robot localization)。

1. 马尔可夫定位:

  • 中心思想:通过在可能位置上的概率分布来表征机器人的可信度(belief),并在机器人感知或移动时使用贝叶斯规则和卷积来更新这个可信度。

  • 马尔可夫假设:如果知道当前状态,那么过去和未来的数据是独立的。

专业用户独享

本文为机器之心深度精选内容,专业认证后即可阅读全文
开启专业认证
理论AAAI 2017AAAI蒙特卡洛定位协同过滤论文理论
2
暂无评论
暂无评论~