创新背景

在自动驾驶汽车、工业机器人、智能系统等被广泛使用的情况下，时间和计算资源是宝贵的资产。这些系统需要在不断变化的环境中和不确定的条件下对情况作出快速反应。此外，经济上的原因限制了硬件等元素的复杂性，这些系统必须足够便宜，才能让潜在的消费者愿意为它们付费。

创新过程

以色列理工学院航空航天工程学院自主导航和感知实验室(ANPL)的负责人瓦迪姆·因德尔曼教授领导团队进行了一项研究，在计算资源的领域内提出了一个理论和计算上的突破，可以使设备在不确定的情况下简化规划问题和决策，减少计算机需要分析的数据量。

不确定性情况下的自主决策是人工智能和机器人技术的一个基本问题。这种能力对于需要在一段时间内、在不确定的条件下和在不断变化的环境中可靠地执行的自主代理尤其重要。此外，在许多情况下，代理不能直接访问问题的状态变量，它的功能是基于概率分布或“信念”。这种信念反映了智能体基于概率模型、执行的动作和从传感器获得的测量值对自身和环境的认知。

该研究组探索的一个关键方向是在这些条件下的计算高效决策，也被称为“信念空间规划”(BSP)。要解决这个问题，令计算实现目标所需的整个最优行动或政策集合)，需要在奖赏或成本函数(如到目标的距离）下评估潜在的行动。这一挑战要求在预测不同的未来场景的同时，可以预测未来不同可能的行动的“信念”将如何发展。

因此，在这些条件下进行决策的计算成本很高，这对智能主体的实时自主行动提出了挑战。此外，在具有大量状态变量的问题中(例如，当环境发生变化或不提前知道时)，计算挑战甚至更大。所有以上都伴随着经济考虑、时间限制和计算时间，这要求减少必要的计算资源。因此，简化不确定性问题下的决策是这些研究方向的一个重要目标。

研究团队在简化方法的发展中提到了所有这些方面，这些方法使这些问题能够以一种更有效的计算方式解决，例如，通过矩阵的稀疏化。至关重要的是，这些方法都配有性能保证，可以量化简化过程导致的最坏情况性能下降；这种保证在自动驾驶等关键安全应用中至关重要。

研究提出了一般决策问题的概念，并为提供了一个理论框架以制定方法。然后，研究人员将这些想法实际应用于信念空间中的决策问题，通过考虑其初始信念的稀疏近似来简化。可扩展信念稀疏化算法能够产生保证与原始问题一致的解决方案。研究演示了该方法在解决现实的主动SLAM问题方面的优势，并设法显着减少计算时间，而不会降低解决方案的质量。这项工作既基本又实用，并具有许多可能的扩展。

研究人员表示，研究可以在显著减少计算时间的情况下不影响任务的成功执行。如果接受一定的性能损失，计算工作量甚至可以进一步减少，新方法可以在线评估损失。在自动化时代，这是一种可能在具有挑战性的情况下实现自动在线决策的方法，减少响应时间，并在节省硬件和其他资源的成本。

创新价值

新发现为通过简化解决决策问题奠定了基础，并证明了这些方法能够在不损失重大结果的情况下节省相当多的计算时间。