【牛津博士论文】在不确定环境中的情境化决策制定

移动机器人非常适合在具有挑战性、难以理解的大规模环境中执行数据采集、监测与探索任务，例如海洋或危险且未建图的区域。为了在这些场景中可靠运行，它们需要能够在缺乏环境知识的情况下仍能发挥作用的决策方法。这种对环境知识的缺乏被称为认知不确定性（epistemic uncertainty）。 处于此类环境中的机器人面临多重挑战：它仅拥有关于环境的局部信息；它的动作可能受到未知环境动力学（如水流）的影响；并且它可能只能依赖自身的机载计算资源与传感器。 本论文旨在回答这样一个问题：在计算资源受限且对部署环境了解有限的情况下，如何使移动机器人等自主系统做出尽可能最优的决策？我们通过提出新的用于控制机器人动作的决策方法，以及用于控制推理过程的元推理方法，来回答这一问题。 在一条研究主线中，我们为运行于认知不确定环境中的移动机器人设计了三种新的决策方法，从预先规划机器人策略的离线方法，到更能适应环境但需要更多计算资源的在线方法。我们在包括水下与危险环境移动机器人在内的多个领域，以及两个真实的外场部署中验证了这些方法。在每种情况下，我们的算法要么以更低成本达成目标，要么能够解决先前方法无法处理的问题设置。 在另一条正交的研究方向上，我们开发了基于学习的元推理方法，使机器人能够自动将其决策策略适应于部署环境、机器人自身的推理能力以及当前任务。为此，我们提出了两个元推理框架，分别适用于离线与在线决策方法。我们在专门设计的环境中评估了这些方法，以测试元推理如何提升情境化系统中的决策能力，并展示了相较于固定策略和现有元推理方法的显著性能提升。