Robotic information gathering

• 別名: informative path planning, IPP, active sensing, adaptive sampling
• カテゴリ: State estimation & navigation › Navigation
• タグ: path-planning, active-perception, environmental-monitoring, field-robotics, uncertainty

経路長、時間、エネルギーの制限の範囲内で、収集するデータが未知の環境についてできるだけ多くの情報をもつように、ロボットがどこへ移動しどこで測定するかを計画すること。

定義

ロボット情報収集（Robotic information gathering）とは、未知の対象についてできるだけ多くを知るために、ロボットの経路とセンシング動作を選ぶ問題である。対象は温度や塩分濃度のような空間場、目標の位置、環境の構造などである。計画の質は情報目的関数で測られる。たとえばエントロピーの減少、測定と未知量の間の相互情報量、モデルの予測分散の減少である。計画は経路長、時間、エネルギー、サンプル数に関する予算と、ロボットの運動制約を守らなければならない。この問題は情報収集型経路計画（informative path planning）、アクティブセンシング（active sensing）、適応的サンプリング（adaptive sampling）とも呼ばれる。

典型的なシステムは 3 つの部分からなる。確率モデルは現在の知識とその不確実性を表す。連続的な空間場にはガウス過程回帰が通常の選択であり、地図や目標には占有格子やパーティクルフィルタが使われる。目的関数はそのモデルを使って候補となる測定を評価する。プランナーは実行可能な経路を探索し、貪欲選択、サンプリングベースの木探索、分枝限定法、モンテカルロ木探索、強化学習などを用いる。多くの情報目的関数は劣モジュラ（submodular）であり、すでにわかっていることが多いほど新しい測定が加える情報は少なくなる。これにより、ある設定では貪欲法とその関連アルゴリズムに近似保証が得られる。

計画は事前に固定する（非適応的）ことも、測定が届くにつれて更新する（適応的）こともできる。場が事前にわからない場合は適応的な計画が重要である。汚染物質のプルームを地図化するロボットは、濃度が急に変化する場所にサンプルを集中させるべきであり、それにはオンラインの再計画と、空間的な滑らかさの変化を表現できるモデルの両方が必要である。不確実性モデルの質は決定的に重要である。プランナーはモデルが不確実だと主張する場所ならどこへでも向かうからである。AK 論文は、非定常カーネルがこの点を改善すると論じている。関連する問題には、未観測の空間を観測することを目指すフロンティアベース探索（frontier-based exploration）と、情報密度に比例して各領域に時間を配分するエルゴード的カバレッジ（ergodic coverage）がある。

重要な理由

環境モニタリング、農業、捜索、点検のためのフィールドロボットはバッテリーと時間が限られており、それをどう使うかがデータの有用性を決める。情報収集は、この選択を固定の調査パターンではなく、測定可能な目的をもつ計画問題に変える。

主な用途

• 水、大気、土壌の環境モニタリング
• 農業サンプリングと作物モニタリング
• 水上艇や水中ビークルによる海洋と湖の調査
• 捜索と目標の位置特定
• 点検と 3D 再構成のためのビュー計画

実際の使われ方

農業チームが、圃場内の選んだ地点でプローブを使って土壌水分を測定する地上ロボットを使う。各サンプルには時間がかかるため、ロボットが 1 回の出動で取れるサンプル数は限られる。パイプラインは水分の GP モデルを保持し、各ステップで到達可能な候補地点を、移動時間あたりの期待分散減少量で評価し、最良の地点に移動してサンプリングし、モデルを更新して再計画する。チームは、取り置いた正解サンプルを使って結果を規則的な格子状の調査と比較し、地図誤差を移動距離に対してプロットする。チームが警戒している失敗の一つは、GP が外挿している圃場の境界に沿ってプランナーが高い分散を追いかけることであり、そのため候補を実際に地図化が必要な領域に限定している。

よくある誤解

• 芝刈り機型の調査で常に十分である — 一様なカバレッジは一様な領域に予算を使い、鋭い特徴をサンプリングし損なうことがある。ただし滑らかで未知の場に対しては依然として強力なベースラインである
• 情報収集は探索と同じである — 探索は未観測の空間を観測することを目指すが、情報収集はモデルの不確実性を対象とするので、すでに見た領域を再訪することもある
• モデルの分散を減らせば重要な特徴が見つかる — ハイパーパラメータが固定されていると GP の分散は測定値を無視するので、モデルか目的関数がそれを考慮しない限り、計画はホットスポットを見逃しうる

知っておくべき人

• 環境・農業モニタリングに携わるフィールドロボティクスのエンジニア
• 海洋ロボットと空中ロボットの研究者
• アクティブ知覚に取り組む計画の研究者
• ロボットを使って空間データを収集する科学者

関連技術

• ガウス過程モデル（Gaussian Process Models）
• 劣モジュラ最適化（Submodular Optimization）
• モンテカルロ木探索（Monte Carlo Tree Search）
• ベイズ最適化（Bayesian Optimization）
• 占有格子地図作成（Occupancy Grid Mapping）

関連用語

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

関連プロジェクト

• 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