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。
正文
3. 与此同时保证富置信度地图更新和CRMI计算的复杂度在平方级别，接近于传统OGMI，但远低于基于高斯过程的MI，可在线运行。
自主机器人探索在地下空间监测、深海探测、野外救援等未知复杂环境的任务中可发挥独特且重要的作用。从信息论角度而言，机器人自主探索的根本任务在于最大化收集环境信息（如建图），机器人需要在无先验地图和规划的前提下，不断选择可最大化信息增益的行进动作（观测位姿），同时满足能耗、定位不确定性、可达性等实际约束，可由下式表示：
为候选动作的信息增益。
因此，如何准确评估候选动作的信息增益，同时保证评估效率成为一个十分重要的问题。本文的目标就在于提出一种新的信息度量函数
I
(·)，从而在不显著损失计算效率的前提下实现更为准确的机器人控制动作的信息增益评估。
传统占据网格互信息（Occupancy grid mutual information, OGMI）的不足之处主要在于精度难以满足精细化环境探索的需求，也易受到观测噪声的影响，如常见的香农互信息（SMI）等。针对OGMI存在的缺点，我们基于连续概率分布形式表示的网格单元占据值，定义了当前已构建地图和未来观测信息之间的富置信度互信息（CRMI），可更加准确衡量控制动作的信息增益。具体方法如下：
