Belief-Space Planning
- También llamado: planning in belief space
- Categoría: Planning & manipulation › Motion planning
- Etiquetas: planning-under-uncertainty, pomdp, state-estimation, active-sensing, probabilistic-robotics
Planificar sobre distribuciones de probabilidad del estado del robot en lugar de sobre una única estimación, de modo que las acciones puedan elegirse para reducir la incertidumbre además de para alcanzar el objetivo.
Definición
Un robot rara vez conoce su estado con exactitud: su pose, las posiciones de los objetos y el resultado de los contactos solo se conocen a través de una percepción ruidosa. Una creencia (belief) es una distribución de probabilidad sobre los estados posibles dado el historial de acciones y observaciones, y el espacio de creencias es el espacio de todas esas distribuciones. La planificación en el espacio de creencias (belief-space planning) elige acciones prediciendo cómo cambiarán la creencia, no solo el estado nominal. Esto permite al planificador equilibrar el avance hacia el objetivo con la reducción de la incertidumbre, por ejemplo pasando cerca de un punto de referencia para localizarse antes de entrar por una puerta estrecha, o tocando un objeto para hallar su posición antes de agarrarlo.
Formalmente, la planificación en el espacio de creencias es una forma de resolver procesos de decisión de Markov parcialmente observables (POMDP). El POMDP es la formulación del problema; reformularlo sobre creencias lo convierte en un problema de decisión totalmente observable en el que la creencia desempeña el papel del estado. Los espacios de creencias son de alta dimensión, y de dimensión infinita para estados continuos, así que las soluciones exactas rara vez son prácticas para robots y los métodos aproximan. Los planificadores gaussianos en el espacio de creencias representan la creencia mediante una media y una covarianza, la propagan con un filtro de Kalman extendido y luego buscan u optimizan sobre esas creencias compactas, como en los belief roadmaps y la planificación de movimiento basada en LQG. Los métodos basados en partículas representan las creencias con muestras ponderadas, y los solucionadores de POMDP en línea buscan en un árbol de secuencias de acciones y observaciones a partir de la creencia actual. Muchos sistemas simplifican aún más suponiendo durante la planificación la observación más probable y replanificando cuando llegan las observaciones reales.
La planificación en el espacio de creencias se diferencia de planificar sobre el estado medio con márgenes de seguridad, que trata la incertidumbre como fija. En el espacio de creencias, las acciones pueden reducir deliberadamente la incertidumbre, así que los planes pueden incluir movimientos de recogida de información que un planificador determinista nunca elegiría. El coste es el cómputo, y la calidad del plan depende de la precisión con que los modelos de sensor y de movimiento predicen las creencias futuras. En algunas tareas, los controladores reactivos que responden a la estimación actual sin anticipación rinden de forma comparable con un coste mucho menor, por lo que los planificadores en el espacio de creencias se usan a menudo como referencia para esos métodos.
Por qué importa
Los robots que planifican solo sobre su mejor estimación del estado pueden comprometerse con acciones que fallan cuando esa estimación es errónea, como agarrar donde se cree que está un objeto. La planificación en el espacio de creencias hace de la incertidumbre parte de la decisión, produce planes que localizan, perciben o sondean cuando eso es más barato que fallar, y ofrece una forma fundamentada de decidir cuándo merece la pena dedicar tiempo a percibir más.
Aplicaciones clave
- Navegación con localización activa donde los puntos de referencia son escasos
- Manipulación con incertidumbre en la pose del objeto, incluida la localización por tacto
- Inserción y otras tareas de contacto donde el error de posición supera la holgura
- Búsqueda y exploración que equilibran la ganancia de información con el coste de desplazamiento
- Toma de decisiones para vehículos inciertos sobre las intenciones de otros agentes
- Agarre en entornos abarrotados con oclusión parcial
En la práctica
Un robot debe introducir una llave en una cerradura cuya posición solo se conoce por una cámara con un margen de unos pocos milímetros, más que la holgura de inserción. Un planificador que trabajara sobre la estimación media iría directamente a la posición supuesta y a menudo fallaría. Un planificador en el espacio de creencias representa la posición de la cerradura como una gaussiana, predice cuánto reduciría la covarianza cada movimiento y contacto candidato, y descubre que deslizar la llave por la cara de la cerradura hasta que encuentra el borde elimina a bajo coste la incertidumbre a lo largo de un eje. Por tanto, el plan incluye un movimiento de sondeo protegido antes de la inserción. Durante la ejecución, un filtro de Kalman extendido actualiza la creencia con las lecturas de fuerza, y el planificador replanifica a partir de la nueva creencia siempre que las observaciones difieren de sus predicciones.
Ideas erróneas comunes
- La planificación en el espacio de creencias es solo planificar con márgenes de error — los márgenes tratan la incertidumbre como fija, mientras que los planificadores en el espacio de creencias pueden elegir acciones que la reducen
- Una creencia es lo mismo que una estimación del estado — una estimación del estado suele ser un único punto, como la media, mientras que la creencia es la distribución completa, incluidas su dispersión y su forma
- La planificación en el espacio de creencias exige resolver el POMDP completo de forma exacta — los métodos prácticos se basan en aproximaciones como creencias gaussianas, partículas o supuestos de observación más probable
Quién debería saberlo
- Investigadores en planificación de movimiento y de tareas que trabajan con incertidumbre
- Ingenieros de manipulación que lidian con la incertidumbre en la pose de los objetos
- Ingenieros de navegación autónoma
- Estudiantes de robótica probabilística
Tecnologías relacionadas
- Filtro de Kalman extendido (Extended Kalman Filter)
- Filtro de partículas (Particle Filter)
- Solucionadores de POMDP en línea (Online POMDP Solvers)
- Belief Roadmap
- Planificación de movimiento LQG (LQG Motion Planning)
- Métricas de ganancia de información (Information Gain Metrics)
Términos relacionados
- Partially Observable Markov Decision Process (POMDP)
- Extended Kalman Filter
- Particle Filter
- Interactive Perception
- Robotic information gathering
- Task and Motion Planning