Robotic information gathering

Auch genannt: informative path planning, IPP, active sensing, adaptive sampling
Kategorie: State estimation & navigation › Navigation
Schlagwörter: path-planning, active-perception, environmental-monitoring, field-robotics, uncertainty

Planung, wohin sich ein Roboter bewegen und wo er messen soll, damit die gesammelten Daten innerhalb der Grenzen für Pfadlänge, Zeit oder Energie möglichst informativ über eine unbekannte Umgebung sind.

Definition

Robotic Information Gathering ist das Problem, den Pfad und die Messaktionen eines Roboters so zu wählen, dass er so viel wie möglich über etwas Unbekanntes lernt: ein räumliches Feld wie Temperatur oder Salzgehalt, die Position eines Ziels oder die Struktur einer Umgebung. Die Güte eines Plans wird mit einem Informationsziel gemessen, etwa der Verringerung der Entropie, der Transinformation zwischen Messungen und der unbekannten Größe oder der Verringerung der Vorhersagevarianz eines Modells. Der Plan muss Budgets für Pfadlänge, Zeit, Energie oder Probenanzahl sowie die Bewegungsbeschränkungen des Roboters einhalten. Das Problem ist auch als informative Pfadplanung (informative path planning), aktive Sensorik (active sensing) oder adaptive Probennahme (adaptive sampling) bekannt.

Ein typisches System besteht aus drei Teilen. Ein probabilistisches Modell repräsentiert das aktuelle Wissen und seine Unsicherheit: Für kontinuierliche räumliche Felder ist Gauß-Prozess-Regression die übliche Wahl, für Karten und Ziele werden Belegungsgitter und Partikelfilter verwendet. Eine Zielfunktion bewertet Kandidatenmessungen anhand dieses Modells. Ein Planer durchsucht zulässige Pfade mit gieriger Auswahl, stichprobenbasierter Baumsuche, Branch and Bound, Monte-Carlo-Baumsuche oder Reinforcement Learning. Viele Informationsziele sind submodular, das heißt, jede neue Messung fügt umso weniger Information hinzu, je mehr bereits bekannt ist; das erlaubt in manchen Fällen Approximationsgarantien für gierige und verwandte Algorithmen.

Pläne können im Voraus festgelegt (nicht adaptiv) oder beim Eintreffen der Messungen aktualisiert werden (adaptiv). Adaptive Planung ist wichtig, wenn das Feld vorher nicht bekannt ist: Ein Roboter, der eine Schadstofffahne kartiert, sollte seine Proben dort konzentrieren, wo sich die Konzentration schnell ändert, was sowohl Online-Neuplanung als auch ein Modell erfordert, das unterschiedliche räumliche Glattheit darstellen kann. Die Güte des Unsicherheitsmodells ist entscheidend, denn der Planer fährt überall dorthin, wo das Modell Unsicherheit behauptet; das AK-Paper argumentiert, dass nichtstationäre Kernel dies verbessern. Verwandte Probleme sind die frontierbasierte Exploration, die darauf zielt, ungesehenen Raum zu beobachten, und die ergodische Abdeckung (ergodic coverage), die Zeit proportional zu einer Informationsdichte auf Regionen verteilt.

Warum es wichtig ist

Feldroboter für Umweltmonitoring, Landwirtschaft, Suche und Inspektion haben begrenzte Akkulaufzeit und Zeit, und wie sie diese einsetzen, entscheidet über den Nutzen ihrer Daten. Information Gathering macht aus dieser Wahl ein Planungsproblem mit messbarem Ziel statt eines festen Vermessungsmusters.

Wichtige Anwendungen

Umweltmonitoring von Wasser, Luft und Boden
Landwirtschaftliche Probennahme und Pflanzenmonitoring
Meeres- und Seevermessung mit Überwasser- oder Unterwasserfahrzeugen
Suche und Lokalisierung von Zielen
Ansichtsplanung für Inspektion und 3D-Rekonstruktion

In der Praxis

Ein Landwirtschaftsteam nutzt einen Bodenroboter, der an ausgewählten Punkten eines Feldes mit einer Sonde die Bodenfeuchte misst. Jede Probe kostet Zeit, daher kann der Roboter pro Einsatz nur eine begrenzte Anzahl nehmen. Die Pipeline führt ein GP-Modell der Feuchte; in jedem Schritt bewertet sie erreichbare Kandidatenorte nach erwarteter Varianzverringerung pro Einheit Fahrzeit, fährt zum besten, nimmt eine Probe, aktualisiert das Modell und plant neu. Das Team vergleicht das Ergebnis mit einer regelmäßigen Gittervermessung anhand zurückgehaltener Referenzproben und trägt den Kartenfehler gegen die zurückgelegte Strecke auf. Ein Fehlerbild, auf das es achtet, ist ein Planer, der hoher Varianz entlang des Feldrands nachjagt, wo der GP extrapoliert; deshalb beschränkt das Team die Kandidaten auf die Region, die tatsächlich kartiert werden muss.

Häufige Missverständnisse

Eine Mähmuster-Vermessung reicht immer aus — gleichmäßige Abdeckung verbraucht Budget in gleichförmigen Regionen und kann scharfe Merkmale unterabtasten, bleibt aber eine starke Baseline für glatte, unbekannte Felder
Information Gathering ist dasselbe wie Exploration — Exploration zielt darauf, ungesehenen Raum zu beobachten, während Information Gathering auf die Unsicherheit in einem Modell zielt, was bedeuten kann, bereits gesehene Bereiche erneut aufzusuchen
Wer die Modellvarianz verringert, findet die wichtigen Merkmale — bei festen Hyperparametern ignoriert die GP-Varianz die Messwerte, sodass Pläne Hotspots verfehlen können, sofern Modell oder Ziel sie nicht berücksichtigen

Wer das wissen sollte

Ingenieure der Feldrobotik in Umwelt- und Landwirtschaftsmonitoring
Forschende in mariner Robotik und Flugrobotik
Planungsforschende, die an aktiver Wahrnehmung arbeiten
Wissenschaftler, die Roboter zur Erhebung räumlicher Daten einsetzen

Open Source Robotics