Robotic information gathering

• 다른 이름: informative path planning, IPP, active sensing, adaptive sampling
• 카테고리: State estimation & navigation › Navigation
• 태그: path-planning, active-perception, environmental-monitoring, field-robotics, uncertainty

경로 길이, 시간, 에너지의 한도 안에서, 로봇이 수집하는 데이터가 미지의 환경에 대해 최대한 많은 정보를 주도록 로봇이 어디로 이동하고 측정할지를 계획하는 것.

정의

로봇 정보 수집(Robotic information gathering)은 미지의 대상, 즉 온도나 염분 같은 공간 장, 표적의 위치, 또는 환경의 구조에 대해 가능한 한 많이 알아내도록 로봇의 경로와 센싱 행동을 선택하는 문제이다. 계획의 품질은 엔트로피 감소, 측정값과 미지량 사이의 상호 정보량, 또는 모델 예측 분산의 감소 같은 정보 목적 함수로 측정한다. 계획은 경로 길이, 시간, 에너지, 샘플 수에 대한 예산과 로봇의 운동 제약을 지켜야 한다. 이 문제는 정보 기반 경로 계획(informative path planning), 능동 센싱(active sensing), 적응적 샘플링(adaptive sampling)이라고도 한다.

전형적인 시스템은 세 부분으로 이루어진다. 확률 모델은 현재 지식과 그 불확실성을 표현한다. 연속 공간 장에는 가우시안 프로세스 회귀가 일반적인 선택이고, 지도와 표적에는 점유 격자와 파티클 필터가 쓰인다. 목적 함수는 그 모델을 사용해 후보 측정에 점수를 매긴다. 계획기는 탐욕적 선택, 샘플링 기반 트리 탐색, 분기 한정법, 몬테카를로 트리 탐색, 또는 강화 학습을 사용해 실현 가능한 경로를 탐색한다. 많은 정보 목적 함수는 부분 모듈(submodular)인데, 이는 이미 알려진 것이 많을수록 새 측정이 더하는 정보가 줄어든다는 뜻이며, 일부 설정에서 탐욕 알고리즘과 관련 알고리즘에 근사 보장을 가능하게 한다.

계획은 미리 고정할 수도 있고(비적응적), 측정값이 도착하는 대로 업데이트할 수도 있다(적응적). 장을 미리 알지 못할 때는 적응적 계획이 중요하다. 오염 물질 확산 기둥을 지도화하는 로봇은 농도가 빠르게 변하는 곳에 샘플을 집중해야 하며, 이를 위해서는 온라인 재계획과, 공간적 매끄러움의 변화를 표현할 수 있는 모델이 모두 필요하다. 계획기는 모델이 불확실하다고 주장하는 곳이면 어디든 가기 때문에 불확실성 모델의 품질이 결정적이다. AK 논문은 비정상 커널이 이를 개선한다고 주장한다. 관련 문제로는 보지 못한 공간을 관측하는 것을 목표로 하는 프런티어 기반 탐사와, 정보 밀도에 비례해 영역들에 시간을 분배하는 에르고딕 커버리지(ergodic coverage)가 있다.

중요한 이유

환경 모니터링, 농업, 수색, 점검을 위한 필드 로봇은 배터리와 시간이 제한되어 있으며, 이를 어떻게 쓰느냐가 데이터의 유용성을 결정한다. 정보 수집은 그 선택을 고정된 조사 패턴 대신 측정 가능한 목적 함수를 가진 계획 문제로 바꾼다.

주요 응용

• 물, 공기, 토양의 환경 모니터링
• 농업 샘플링과 작물 모니터링
• 수상 또는 수중 이동체를 이용한 해양 및 호수 조사
• 수색과 표적 위치 추정
• 점검과 3D 재구성을 위한 시점 계획

실제 사례

농업 팀이 밭의 선택된 지점에서 프로브로 토양 수분을 측정하는 지상 로봇을 사용한다. 샘플마다 시간이 걸리므로 로봇은 한 번 나갈 때 제한된 수의 샘플만 채취할 수 있다. 파이프라인은 수분의 GP 모델을 유지한다. 매 단계마다 도달 가능한 후보 위치에 이동 시간 단위당 기대 분산 감소로 점수를 매기고, 가장 좋은 곳으로 이동해 샘플링하고, 모델을 업데이트하고, 다시 계획한다. 팀은 따로 남겨 둔 실측 샘플에 대해 결과를 규칙적 격자 조사와 비교하며, 이동 거리에 따른 지도 오차를 그래프로 그린다. 팀이 주의하는 실패 하나는 GP가 외삽하고 있는 밭 경계를 따라 계획기가 높은 분산을 쫓는 것이며, 그래서 후보를 실제로 지도화가 필요한 영역으로 제한한다.

흔한 오해

• 잔디깎기식 조사면 항상 충분하다 — 균일한 커버리지는 균일한 영역에 예산을 쓰고 급격한 특징을 과소 샘플링할 수 있다. 다만 매끄럽고 미지인 장에 대해서는 여전히 강력한 기준선이다
• 정보 수집은 탐사와 같다 — 탐사는 보지 못한 공간을 관측하는 것을 목표로 하고, 정보 수집은 모델의 불확실성을 겨냥하며, 이는 이미 본 영역을 다시 방문하는 것을 의미할 수 있다
• 모델 분산을 줄이면 중요한 특징을 찾는다 — 하이퍼파라미터가 고정되어 있으면 GP 분산은 측정값을 무시하므로, 모델이나 목적 함수가 이를 고려하지 않는 한 계획이 핫스팟을 놓칠 수 있다

알아야 할 사람

• 환경 및 농업 모니터링 분야의 필드 로보틱스 엔지니어
• 해양 및 공중 로보틱스 연구자
• 능동 인식을 연구하는 계획 연구자
• 공간 데이터를 수집하는 데 로봇을 사용하는 과학자

관련 기술

• 가우시안 프로세스 모델(Gaussian Process Models)
• 부분 모듈 최적화(Submodular Optimization)
• 몬테카를로 트리 탐색(Monte Carlo Tree Search)
• 베이지안 최적화(Bayesian Optimization)
• 점유 격자 지도 작성(Occupancy Grid Mapping)

관련 용어

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

관련 프로젝트

• 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