Robotic information gathering

Detto anche: informative path planning, IPP, active sensing, adaptive sampling
Categoria: State estimation & navigation › Navigation
Tag: path-planning, active-perception, environmental-monitoring, field-robotics, uncertainty

Pianificare dove un robot deve muoversi ed effettuare misure perché i dati che raccoglie siano il più informativi possibile su un ambiente sconosciuto, entro limiti di lunghezza del percorso, tempo o energia.

Definizione

Raccolta robotica di informazioni (robotic information gathering) è il problema di scegliere il percorso e le azioni di misura di un robot per apprendere il più possibile su qualcosa di sconosciuto: un campo spaziale come la temperatura o la salinità, la posizione di un bersaglio o la struttura di un ambiente. La qualità di un piano si misura con un obiettivo informativo, come la riduzione dell'entropia, l'informazione mutua tra le misure e la grandezza sconosciuta o la riduzione della varianza di predizione di un modello. Il piano deve rispettare budget di lunghezza del percorso, tempo, energia o numero di campioni, oltre ai vincoli di moto del robot. Il problema è noto anche come pianificazione del percorso informativa (informative path planning), percezione attiva (active sensing) o campionamento adattivo (adaptive sampling).

Un sistema tipico ha tre parti. Un modello probabilistico rappresenta la conoscenza attuale e la sua incertezza: la regressione con processi gaussiani è la scelta abituale per campi spaziali continui, mentre griglie di occupazione e filtri a particelle si usano per mappe e bersagli. Un obiettivo assegna un punteggio alle misure candidate usando quel modello. Un pianificatore cerca tra i percorsi ammissibili, usando selezione greedy, ricerca ad albero basata sul campionamento, branch and bound, Monte Carlo tree search o apprendimento per rinforzo. Molti obiettivi informativi sono submodulari, il che significa che ogni nuova misura aggiunge meno informazione quanto più si sa già, e ciò consente garanzie di approssimazione per algoritmi greedy e affini in alcuni contesti.

I piani possono essere fissati in anticipo (non adattivi) o aggiornati man mano che arrivano le misure (adattivi). La pianificazione adattiva conta quando il campo non è noto in anticipo: un robot che mappa un pennacchio di inquinamento dovrebbe concentrare i campioni dove la concentrazione cambia rapidamente, il che richiede sia la ripianificazione online sia un modello in grado di rappresentare una regolarità spaziale variabile. La qualità del modello di incertezza è cruciale, perché il pianificatore va dove il modello dichiara di essere incerto; l'articolo AK sostiene che i kernel non stazionari migliorano questo aspetto. Tra i problemi correlati ci sono l'esplorazione basata sulle frontiere, che mira a osservare lo spazio non ancora visto, e la copertura ergodica, che distribuisce il tempo tra le regioni in proporzione a una densità di informazione.

Perché è importante

I robot da campo per il monitoraggio ambientale, l'agricoltura, la ricerca e l'ispezione hanno batteria e tempo limitati, e come li spendono decide quanto sono utili i loro dati. La raccolta di informazioni trasforma questa scelta in un problema di pianificazione con un obiettivo misurabile, invece di uno schema di rilievo fisso.

Applicazioni principali

Monitoraggio ambientale di acqua, aria e suolo
Campionamento agricolo e monitoraggio delle colture
Rilievi di oceani e laghi con veicoli di superficie o subacquei
Ricerca e localizzazione di bersagli
Pianificazione delle viste per ispezione e ricostruzione 3D

In pratica

Un team agricolo usa un robot terrestre che misura l'umidità del suolo con una sonda in punti scelti di un campo. Ogni campione richiede tempo, quindi il robot può prenderne solo un numero limitato per uscita. La pipeline mantiene un modello GP dell'umidità; a ogni passo assegna un punteggio alle posizioni candidate raggiungibili in base alla riduzione di varianza attesa per unità di tempo di spostamento, si dirige verso la migliore, preleva il campione, aggiorna il modello e ripianifica. Il team confronta il risultato con un rilievo su griglia regolare su campioni di verità a terra tenuti da parte, tracciando l'errore della mappa in funzione della distanza percorsa. Un errore che tiene d'occhio è il pianificatore che insegue la varianza alta lungo il bordo del campo, dove il GP sta estrapolando, quindi limita i candidati alla regione che deve davvero mappare.

Idee sbagliate comuni

Un rilievo a tosaerba basta sempre — la copertura uniforme spende budget su regioni uniformi e può sottocampionare caratteristiche brusche, anche se resta un riferimento solido per campi regolari e sconosciuti
La raccolta di informazioni è la stessa cosa dell'esplorazione — l'esplorazione mira a osservare lo spazio non ancora visto, mentre la raccolta di informazioni punta all'incertezza di un modello, il che può significare tornare in zone già viste
Ridurre la varianza del modello trova le caratteristiche importanti — a iperparametri fissati, la varianza del GP ignora i valori misurati, quindi i piani possono mancare i punti critici a meno che il modello o l'obiettivo non ne tengano conto

Chi dovrebbe saperlo

Ingegneri di robotica da campo nel monitoraggio ambientale e agricolo
Ricercatori di robotica marina e aerea
Ricercatori di pianificazione che lavorano sulla percezione attiva
Scienziati che usano robot per raccogliere dati spaziali

Tecnologie correlate

Modelli a processi gaussiani (Gaussian Process Models)
Ottimizzazione submodulare (Submodular Optimization)
Monte Carlo Tree Search
Ottimizzazione bayesiana (Bayesian Optimization)
Mappatura con griglie di occupazione (Occupancy Grid Mapping)

Termini correlati

Progetti correlati

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