Robotic information gathering

• También llamado: informative path planning, IPP, active sensing, adaptive sampling
• Categoría: State estimation & navigation › Navigation
• Etiquetas: path-planning, active-perception, environmental-monitoring, field-robotics, uncertainty

Planificar adónde debe moverse un robot y dónde debe tomar mediciones para que los datos que recoge sean lo más informativos posible sobre un entorno desconocido, dentro de límites de longitud de trayectoria, tiempo o energía.

Definición

Recopilación robótica de información (robotic information gathering) es el problema de elegir la trayectoria y las acciones de medición de un robot para aprender todo lo posible sobre algo desconocido: un campo espacial como la temperatura o la salinidad, la ubicación de un objetivo o la estructura de un entorno. La calidad de un plan se mide con un objetivo de información, como la reducción de la entropía, la información mutua entre las mediciones y la magnitud desconocida o la reducción de la varianza de predicción de un modelo. El plan debe respetar presupuestos de longitud de trayectoria, tiempo, energía o número de muestras, así como las restricciones de movimiento del robot. El problema también se conoce como planificación informativa de trayectorias (informative path planning), sensado activo (active sensing) o muestreo adaptativo (adaptive sampling).

Un sistema típico tiene tres partes. Un modelo probabilístico representa el conocimiento actual y su incertidumbre: la regresión por procesos gaussianos es la opción habitual para campos espaciales continuos, mientras que las rejillas de ocupación y los filtros de partículas se usan para mapas y objetivos. Un objetivo puntúa las mediciones candidatas usando ese modelo. Un planificador busca entre las trayectorias factibles, usando selección voraz, búsqueda en árbol basada en muestreo, ramificación y acotación, búsqueda de árbol de Monte Carlo o aprendizaje por refuerzo. Muchos objetivos de información son submodulares, lo que significa que cada nueva medición aporta menos información cuanto más se sabe ya, y eso permite garantías de aproximación para algoritmos voraces y afines en algunos contextos.

Los planes pueden fijarse de antemano (no adaptativos) o actualizarse a medida que llegan las mediciones (adaptativos). La planificación adaptativa importa cuando el campo no se conoce de antemano: un robot que cartografía una pluma de contaminación debe concentrar las muestras donde la concentración cambia rápido, lo que requiere tanto replanificación en línea como un modelo capaz de representar una suavidad espacial variable. La calidad del modelo de incertidumbre es crítica, porque el planificador va adonde el modelo dice estar inseguro; el artículo AK sostiene que los kernels no estacionarios mejoran esto. Entre los problemas relacionados están la exploración basada en fronteras, que busca observar el espacio no visto, y la cobertura ergódica, que reparte el tiempo entre regiones en proporción a una densidad de información.

Por qué importa

Los robots de campo para monitorización ambiental, agricultura, búsqueda e inspección tienen batería y tiempo limitados, y cómo los gastan decide lo útiles que son sus datos. La recopilación de información convierte esa elección en un problema de planificación con un objetivo medible, en lugar de un patrón de reconocimiento fijo.

Aplicaciones clave

• Monitorización ambiental de agua, aire y suelo
• Muestreo agrícola y monitorización de cultivos
• Reconocimientos de océanos y lagos con vehículos de superficie o submarinos
• Búsqueda y localización de objetivos
• Planificación de vistas para inspección y reconstrucción 3D

En la práctica

Un equipo agrícola usa un robot terrestre que mide la humedad del suelo con una sonda en puntos elegidos de un campo. Cada muestra lleva tiempo, así que el robot solo puede tomar un número limitado por salida. La cadena de procesamiento mantiene un modelo GP de la humedad; en cada paso puntúa las ubicaciones candidatas alcanzables según la reducción de varianza esperada por unidad de tiempo de desplazamiento, se dirige a la mejor, toma la muestra, actualiza el modelo y replanifica. El equipo compara el resultado con un reconocimiento en rejilla regular sobre muestras de verdad de terreno reservadas, representando el error del mapa frente a la distancia recorrida. Un fallo que vigilan es que el planificador persiga la varianza alta a lo largo del borde del campo, donde el GP está extrapolando, así que restringen los candidatos a la región que realmente necesitan cartografiar.

Ideas erróneas comunes

• Un recorrido en cortacésped siempre es suficiente — la cobertura uniforme gasta presupuesto en regiones uniformes y puede submuestrear rasgos bruscos, aunque sigue siendo una referencia sólida para campos suaves y desconocidos
• La recopilación de información es lo mismo que la exploración — la exploración busca observar el espacio no visto, mientras que la recopilación de información apunta a la incertidumbre de un modelo, lo que puede significar volver a zonas ya vistas
• Reducir la varianza del modelo encuentra los rasgos importantes — con hiperparámetros fijos, la varianza del GP ignora los valores medidos, así que los planes pueden pasar por alto puntos calientes salvo que el modelo o el objetivo los tengan en cuenta

Quién debería saberlo

• Ingenieros de robótica de campo en monitorización ambiental y agrícola
• Investigadores en robótica marina y aérea
• Investigadores en planificación que trabajan en percepción activa
• Científicos que usan robots para recoger datos espaciales

Tecnologías relacionadas

• Modelos de procesos gaussianos (Gaussian Process Models)
• Optimización submodular (Submodular Optimization)
• Búsqueda de árbol de Monte Carlo (Monte Carlo Tree Search)
• Optimización bayesiana (Bayesian Optimization)
• Mapeo con rejillas de ocupación (Occupancy Grid Mapping)

Términos relacionados

• Gaussian process regression
• Ergodic Coverage
• Frontier-Based Exploration
• Partially Observable Markov Decision Process (POMDP)
• UAV

Proyectos relacionados

• Nav2: ROS 2 navigation stack with path planning and obstacle avoidance for mobile robots
• ROS Motion Planning: One repo implementing 40+ classic and learning-based robot path planners as ROS plugins
• OMPL: Sampling-based motion planning library powering MoveIt and countless robotics applications
• Mesh Navigation: Robot navigation on 3D triangle meshes for rough outdoor terrain, from Nature Robots
• Fields2Cover: Coverage path planning library for autonomous agricultural vehicles
• Aerostack2: ROS 2 framework for autonomous multi-drone systems and swarm robotics