Robotic information gathering

Aussi appelé: informative path planning, IPP, active sensing, adaptive sampling
Catégorie: State estimation & navigation › Navigation
Mots-clés: path-planning, active-perception, environmental-monitoring, field-robotics, uncertainty

Planifier où un robot doit se déplacer et prendre des mesures pour que les données collectées soient aussi informatives que possible sur un environnement inconnu, dans des limites de longueur de chemin, de temps ou d'énergie.

Définition

Collecte robotique d'informations (Robotic information gathering) : problème qui consiste à choisir le chemin et les actions de mesure d'un robot pour apprendre le plus possible sur quelque chose d'inconnu : un champ spatial comme la température ou la salinité, la position d'une cible ou la structure d'un environnement. La qualité d'un plan se mesure par un objectif informationnel, comme la réduction d'entropie, l'information mutuelle entre les mesures et la grandeur inconnue, ou la réduction de la variance de prédiction d'un modèle. Le plan doit respecter des budgets de longueur de chemin, de temps, d'énergie ou de nombre d'échantillons, ainsi que les contraintes de mouvement du robot. Le problème est aussi connu sous les noms de planification de chemin informative (informative path planning), de perception active (active sensing) ou d'échantillonnage adaptatif (adaptive sampling).

Un système typique comporte trois parties. Un modèle probabiliste représente les connaissances actuelles et leur incertitude : la régression par processus gaussien est le choix habituel pour les champs spatiaux continus, tandis que les grilles d'occupation et les filtres particulaires servent pour les cartes et les cibles. Un objectif évalue les mesures candidates à l'aide de ce modèle. Un planificateur explore les chemins réalisables par sélection gloutonne, recherche arborescente par échantillonnage, séparation et évaluation (branch and bound), recherche arborescente Monte-Carlo ou apprentissage par renforcement. De nombreux objectifs informationnels sont sous-modulaires, ce qui signifie que chaque nouvelle mesure apporte d'autant moins d'information que l'on en sait déjà beaucoup, ce qui permet dans certains cadres des garanties d'approximation pour les algorithmes gloutons et apparentés.

Les plans peuvent être fixés à l'avance (non adaptatifs) ou mis à jour à mesure que les mesures arrivent (adaptatifs). La planification adaptative compte lorsque le champ n'est pas connu d'avance : un robot qui cartographie un panache de pollution devrait concentrer ses échantillons là où la concentration change vite, ce qui exige à la fois une replanification en ligne et un modèle capable de représenter une régularité spatiale variable. La qualité du modèle d'incertitude est cruciale, car le planificateur va partout où le modèle se dit incertain ; l'article AK soutient que les noyaux non stationnaires améliorent ce point. Parmi les problèmes apparentés figurent l'exploration par frontières, qui vise à observer l'espace non vu, et la couverture ergodique (ergodic coverage), qui répartit le temps entre les régions en proportion d'une densité d'information.

Pourquoi c'est important

Les robots de terrain pour la surveillance environnementale, l'agriculture, la recherche et l'inspection ont une batterie et un temps limités, et la façon de les dépenser décide de l'utilité de leurs données. La collecte d'informations transforme ce choix en un problème de planification avec un objectif mesurable, au lieu d'un schéma de relevé fixe.

Applications principales

Surveillance environnementale de l'eau, de l'air et des sols
Échantillonnage agricole et suivi des cultures
Relevés océaniques et lacustres avec des véhicules de surface ou sous-marins
Recherche et localisation de cibles
Planification de points de vue pour l'inspection et la reconstruction 3D

En pratique

Une équipe agricole utilise un robot terrestre qui mesure l'humidité du sol avec une sonde en des points choisis d'un champ. Chaque échantillon prend du temps, si bien que le robot ne peut en prélever qu'un nombre limité par sortie. La chaîne de traitement tient un modèle GP de l'humidité ; à chaque étape, elle note les positions candidates accessibles selon la réduction de variance attendue par unité de temps de trajet, se rend à la meilleure, échantillonne, met à jour le modèle et replanifie. L'équipe compare le résultat à un relevé sur grille régulière à l'aide d'échantillons de vérité terrain mis de côté, en traçant l'erreur de carte en fonction de la distance parcourue. Une défaillance qu'elle surveille est le planificateur qui poursuit une forte variance le long de la bordure du champ, où le GP extrapole ; elle restreint donc les candidats à la région qu'il faut réellement cartographier.

Idées reçues

Un relevé en aller-retour (tondeuse) suffit toujours — une couverture uniforme dépense le budget sur des régions uniformes et peut sous-échantillonner les structures nettes, même si elle reste une référence solide pour des champs lisses et inconnus
La collecte d'informations est la même chose que l'exploration — l'exploration vise à observer l'espace non vu, tandis que la collecte d'informations cible l'incertitude d'un modèle, ce qui peut impliquer de revisiter des zones déjà vues
Réduire la variance du modèle permet de trouver les structures importantes — à hyperparamètres fixés, la variance d'un GP ignore les valeurs mesurées, si bien que les plans peuvent manquer des points chauds à moins que le modèle ou l'objectif n'en tienne compte

Qui devrait le savoir

Ingénieurs en robotique de terrain pour la surveillance environnementale et agricole
Chercheurs en robotique marine et aérienne
Chercheurs en planification travaillant sur la perception active
Scientifiques qui utilisent des robots pour collecter des données spatiales

Technologies associées

Modèles de processus gaussiens (Gaussian Process Models)
Optimisation sous-modulaire (Submodular Optimization)
Recherche arborescente Monte-Carlo (Monte Carlo Tree Search)
Optimisation bayésienne (Bayesian Optimization)
Cartographie par grille d'occupation (Occupancy Grid Mapping)

Termes associés

Projets associés

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