主要观点总结
本文研究了信息驱动的机器人主动探索和建图问题，提出了一种新的信息函数，称为富置信度互信息（CRMI）。针对当前主流信息函数在手动设计的反演传感模型（ISM）或核推理方法中的精度和效率难以平衡的问题，文章基于占据网格地图单元的连续概率分布，提出了一个新的信息函数来衡量机器人控制动作的信息增益。通过建模单个波束测量锥内各地图单元间的相互依赖关系，建立了有限距离传感器的波束因果传感模型（SCM）。实验结果表明，CRMI驱动的机器人在未探索区域和模糊区域具有较强的探索行为，建图更加精细，时间效率可在线运行，更适用于非结构化和杂乱场景。
关键观点总结
关键观点1: 文章研究的重点是通过提出新的信息度量函数CRMI来解决机器人在信息驱动的主动探索和建图问题中的精度和效率问题。
针对当前主流信息函数在精度和效率上的不足，文章基于占据网格地图单元的连续概率分布提出了新的信息函数CRMI来衡量机器人控制动作的信息增益。
关键观点2: 文章建立了波束因果传感模型（SCM）来建模单个波束测量锥内各地图单元间的相互依赖关系。
通过对同一测量锥内地图网格单元之间的测量依赖关系进行建模，文章提出了基于SCM的CRMI计算方法。这种方法能够更好地处理大型非结构化和杂乱环境的精细探索。
关键观点3: 实验结果表明，CRMI驱动的机器人在未探索区域和模糊区域具有较强的探索行为。
通过大量仿真和实验验证，CRMI能够驱动机器人在未探索区域和模糊区域表现出更强的探索行为，建图更加精细。同时，CRMI的计算复杂度在平方级别，可在线运行。
文章预览
泡泡点云时空，带你精读点云领域顶级会议文章 标题：CRMI: Confidence-Rich Mutual Information for Information-Theoretic Mapping 作者： Yang Xu, Ronghao Zheng, Meiqin Liu, and Senlin Zhang 来源：RAL 2021 编译： 张兵兵 审核：阮建源 王志勇 这是点云时空推送的第 308 篇推文，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权，同时欢迎留言交流，大家的支持和鼓励是我们前进的动力。 摘要 本文重点研究了信息驱动的机器人主动探索和建图问题，尤其是最为关键的信息度量函数。当前主流的信息函数一般基于手动设计的反演传感模型（ISM）或核推理方法，信息量计算精度和效率难以平衡。对此，本文基于占据网格地图单元的连续概率分布，提出一种新的信息函数，可更准确地衡量机器人控制动作的信息增益，称之为富置信度互信息（Confidence-rich mutua
………………………………
