Belief-Space Planning
- Detto anche: planning in belief space
- Categoria: Planning & manipulation › Motion planning
- Tag: planning-under-uncertainty, pomdp, state-estimation, active-sensing, probabilistic-robotics
Pianificare su distribuzioni di probabilità dello stato del robot anziché su una singola stima, così che le azioni possano essere scelte per ridurre l'incertezza oltre che per raggiungere l'obiettivo.
Definizione
Un robot conosce raramente il proprio stato con esattezza: la sua posa, le posizioni degli oggetti e l'esito dei contatti sono noti solo attraverso un rilevamento rumoroso. Una credenza (belief) è una distribuzione di probabilità sugli stati possibili, data la storia di azioni e osservazioni, e lo spazio delle credenze è lo spazio di tutte queste distribuzioni. La pianificazione nello spazio delle credenze (belief-space planning) sceglie le azioni prevedendo come cambieranno la credenza, non solo lo stato nominale. Ciò consente al pianificatore di bilanciare l'avanzamento verso l'obiettivo con la riduzione dell'incertezza, ad esempio passando vicino a un punto di riferimento per localizzarsi prima di entrare in una porta stretta, o toccando un oggetto per trovarne la posizione prima di afferrarlo.
Formalmente, la pianificazione nello spazio delle credenze è un modo di risolvere i processi decisionali di Markov parzialmente osservabili (POMDP). Il POMDP è la formulazione del problema; riformularlo sulle credenze lo trasforma in un problema decisionale completamente osservabile in cui la credenza svolge il ruolo dello stato. Gli spazi delle credenze hanno dimensione elevata, e dimensione infinita per stati continui, quindi le soluzioni esatte sono raramente praticabili per i robot e i metodi approssimano. I pianificatori gaussiani nello spazio delle credenze rappresentano la credenza con una media e una covarianza, la propagano con un filtro di Kalman esteso e poi cercano od ottimizzano su queste credenze compatte, come nelle belief roadmap e nella pianificazione del movimento basata su LQG. I metodi basati su particelle rappresentano le credenze con campioni pesati, e i risolutori di POMDP online esplorano un albero di sequenze di azioni e osservazioni a partire dalla credenza attuale. Molti sistemi semplificano ulteriormente assumendo durante la pianificazione l'osservazione più probabile e ripianificando quando arrivano le osservazioni reali.
La pianificazione nello spazio delle credenze differisce dal pianificare sullo stato medio con margini di sicurezza, che tratta l'incertezza come fissa. Nello spazio delle credenze, le azioni possono ridurre deliberatamente l'incertezza, quindi i piani possono includere movimenti di raccolta di informazioni che un pianificatore deterministico non sceglierebbe mai. Il costo è computazionale, e la qualità del piano dipende da quanto accuratamente i modelli del sensore e del moto prevedono le credenze future. In alcuni compiti, controllori reattivi che rispondono alla stima attuale senza anticipazione ottengono prestazioni comparabili a un costo molto inferiore, ed è per questo che i pianificatori nello spazio delle credenze sono spesso usati come baseline per tali metodi.
Perché è importante
I robot che pianificano solo sulla loro migliore stima dello stato possono impegnarsi in azioni che falliscono quando quella stima è sbagliata, come afferrare dove si ritiene che si trovi un oggetto. La pianificazione nello spazio delle credenze rende l'incertezza parte della decisione, producendo piani che localizzano, rilevano o sondano quando ciò costa meno che fallire, e offrendo un modo fondato per decidere quando valga la pena dedicare tempo a rilevare di più.
Applicazioni principali
- Navigazione con localizzazione attiva dove i punti di riferimento sono scarsi
- Manipolazione con incertezza sulla posa dell'oggetto, inclusa la localizzazione tramite tatto
- Inserimento e altri compiti di contatto in cui l'errore di posizione supera il gioco
- Ricerca ed esplorazione che bilanciano il guadagno di informazione con il costo dello spostamento
- Processo decisionale per veicoli incerti sulle intenzioni di altri agenti
- Presa in ambienti ingombri con occlusione parziale
In pratica
Un robot deve inserire una chiave in una serratura la cui posizione è nota da una telecamera solo entro pochi millimetri, più del gioco di inserimento. Un pianificatore che lavorasse sulla stima media andrebbe dritto alla posizione stimata e spesso mancherebbe il bersaglio. Un pianificatore nello spazio delle credenze rappresenta la posizione della serratura come una gaussiana, prevede di quanto ciascun moto e contatto candidato ridurrebbe la covarianza e scopre che far scorrere la chiave lungo la faccia della serratura finché non incontra il bordo elimina a basso costo l'incertezza lungo un asse. Il piano include quindi un movimento di sondaggio protetto prima dell'inserimento. Durante l'esecuzione, un filtro di Kalman esteso aggiorna la credenza con le letture di forza, e il pianificatore ripianifica a partire dalla nuova credenza ogni volta che le osservazioni differiscono dalle sue previsioni.
Idee sbagliate comuni
- La pianificazione nello spazio delle credenze è solo pianificare con margini di errore — i margini trattano l'incertezza come fissa, mentre i pianificatori nello spazio delle credenze possono scegliere azioni che la riducono
- Una credenza è la stessa cosa di una stima dello stato — una stima dello stato è di solito un singolo punto, come la media, mentre la credenza è l'intera distribuzione, compresi la sua dispersione e la sua forma
- La pianificazione nello spazio delle credenze richiede di risolvere esattamente l'intero POMDP — i metodi pratici si basano su approssimazioni come credenze gaussiane, particelle o ipotesi di osservazione più probabile
Chi dovrebbe saperlo
- Ricercatori di pianificazione del movimento e dei compiti che lavorano in condizioni di incertezza
- Ingegneri di manipolazione alle prese con l'incertezza sulla posa degli oggetti
- Ingegneri di navigazione autonoma
- Studenti di robotica probabilistica
Tecnologie correlate
- Filtro di Kalman esteso (Extended Kalman Filter)
- Filtro a particelle (Particle Filter)
- Risolutori di POMDP online (Online POMDP Solvers)
- Belief Roadmap
- Pianificazione del movimento LQG (LQG Motion Planning)
- Metriche di guadagno di informazione (Information Gain Metrics)
Termini correlati
- Partially Observable Markov Decision Process (POMDP)
- Extended Kalman Filter
- Particle Filter
- Interactive Perception
- Robotic information gathering
- Task and Motion Planning