MAPLE：无需训练、以Mondrian过程为先验的室内探索方法

由Kelvin Aladum与Nisar Ahmed撰写的一篇arXiv论文提出MAPLE（Mondrian-Anchored Prior for Learning-free Indoor Exploration），一种无需训练的预测式室内探索方法。机器人在未知室内环境中移动时，大量区域仍处于传感器传感器把力、光、距离等物理信号转换成电信号的元件，相当于机器人的「感官」。◆ 小白科普 · 现身视野之外；预测当前感知范围外空间的占用情况有助于改善决策，但近期方法多依赖需要离线训练、并在探索中反复推理的学习模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身。MAPLE将Mondrian过程改造为在线生成式先验，以当前部分地图中观测到的几何线索为条件，生成多个可能的地图假设，并在每个假设内单独评估可见性，从而估计前沿增益，保留不同假设间预测可见性的差异。

作者在KTH平面图和多传感器传感器把力、光、距离等物理信号转换成电信号的元件，相当于机器人的「感官」。◆ 小白科普 · 现身量程下的真实SLAM环境中测试，称MAPLE稳定优于非预测式探索，并与已学习预测方法保持竞争力；其轻量的过程化构造使预测式探索可在有限算力下运行。实验还显示，更准确的地图预测并不必然带来更好的探索效果，预测结果如何表示和使用同样关键。