Belief-Space Planning
- Também chamado: planning in belief space
- Categoria: Planning & manipulation › Motion planning
- Tags: planning-under-uncertainty, pomdp, state-estimation, active-sensing, probabilistic-robotics
Planejar sobre distribuições de probabilidade do estado do robô em vez de uma única estimativa, de modo que as ações possam ser escolhidas para reduzir a incerteza além de alcançar o objetivo.
Definição
Um robô raramente conhece seu estado com exatidão: sua pose, as posições dos objetos e o resultado dos contatos só são conhecidos por meio de sensoriamento ruidoso. Uma crença (belief) é uma distribuição de probabilidade sobre os estados possíveis, dado o histórico de ações e observações, e o espaço de crenças é o espaço de todas essas distribuições. O planejamento no espaço de crenças (belief-space planning) escolhe ações prevendo como elas vão mudar a crença, e não apenas o estado nominal. Isso permite ao planejador equilibrar o progresso em direção ao objetivo com a redução da incerteza, por exemplo passando perto de um marco para se localizar antes de entrar por uma porta estreita, ou tocando um objeto para encontrar sua posição antes de agarrá-lo.
Formalmente, o planejamento no espaço de crenças é uma forma de resolver processos de decisão de Markov parcialmente observáveis (POMDPs). O POMDP é a formulação do problema; reformulá-lo sobre crenças o transforma em um problema de decisão totalmente observável em que a crença faz o papel do estado. Espaços de crenças têm alta dimensão, e dimensão infinita para estados contínuos, então soluções exatas raramente são práticas para robôs e os métodos fazem aproximações. Planejadores gaussianos no espaço de crenças representam a crença por uma média e uma covariância, propagam-na com um filtro de Kalman estendido e então buscam ou otimizam sobre essas crenças compactas, como nos belief roadmaps e no planejamento de movimento baseado em LQG. Métodos baseados em partículas representam as crenças com amostras ponderadas, e solucionadores de POMDP online buscam em uma árvore de sequências de ações e observações a partir da crença atual. Muitos sistemas simplificam ainda mais assumindo a observação mais provável durante o planejamento e replanejando quando as observações reais chegam.
O planejamento no espaço de crenças difere de planejar sobre o estado médio com margens de segurança, que trata a incerteza como fixa. No espaço de crenças, as ações podem reduzir deliberadamente a incerteza, então os planos podem incluir movimentos de coleta de informação que um planejador determinístico nunca escolheria. O custo é computacional, e a qualidade do plano depende da precisão com que os modelos de sensor e de movimento preveem as crenças futuras. Em algumas tarefas, controladores reativos que respondem à estimativa atual sem antecipação têm desempenho comparável a um custo muito menor, e é por isso que planejadores no espaço de crenças são muitas vezes usados como baselines para esses métodos.
Por que importa
Robôs que planejam apenas sobre sua melhor estimativa de estado podem se comprometer com ações que falham quando essa estimativa está errada, como agarrar onde se acredita que um objeto está. O planejamento no espaço de crenças torna a incerteza parte da decisão, produzindo planos que localizam, sentem ou sondam quando isso é mais barato do que falhar, e oferecendo um modo fundamentado de decidir quando mais sensoriamento vale o tempo.
Principais aplicações
- Navegação com localização ativa onde os marcos são escassos
- Manipulação sob incerteza na pose do objeto, incluindo localização por toque
- Inserção e outras tarefas de contato em que o erro de posição excede a folga
- Busca e exploração que equilibram ganho de informação e custo de deslocamento
- Tomada de decisão para veículos incertos sobre as intenções de outros agentes
- Pegada em ambientes desordenados com oclusão parcial
Na prática
Um robô precisa inserir uma chave em uma fechadura cuja posição é conhecida por uma câmera apenas com margem de poucos milímetros, mais do que a folga de inserção. Um planejador que trabalhasse sobre a estimativa média iria direto para a posição estimada e muitas vezes erraria. Um planejador no espaço de crenças representa a posição da fechadura como uma gaussiana, prevê como cada movimento e contato candidato reduziria a covariância e descobre que deslizar a chave pela face da fechadura até encontrar a borda elimina a baixo custo a incerteza ao longo de um eixo. Por isso, o plano inclui um movimento de sondagem protegido antes da inserção. Durante a execução, um filtro de Kalman estendido atualiza a crença com as leituras de força, e o planejador replaneja a partir da nova crença sempre que as observações diferem de suas previsões.
Equívocos comuns
- Planejamento no espaço de crenças é só planejar com margens de erro — as margens tratam a incerteza como fixa, enquanto planejadores no espaço de crenças podem escolher ações que a reduzem
- Uma crença é o mesmo que uma estimativa de estado — uma estimativa de estado geralmente é um único ponto, como a média, enquanto a crença é a distribuição inteira, incluindo sua dispersão e sua forma
- Planejamento no espaço de crenças exige resolver o POMDP completo de forma exata — métodos práticos dependem de aproximações como crenças gaussianas, partículas ou suposições de observação mais provável
Quem deve saber
- Pesquisadores de planejamento de movimento e de tarefas que trabalham sob incerteza
- Engenheiros de manipulação que lidam com incerteza na pose de objetos
- Engenheiros de navegação autônoma
- Estudantes de robótica probabilística
Tecnologias relacionadas
- Filtro de Kalman estendido (Extended Kalman Filter)
- Filtro de partículas (Particle Filter)
- Solucionadores de POMDP online (Online POMDP Solvers)
- Belief Roadmap
- Planejamento de movimento LQG (LQG Motion Planning)
- Métricas de ganho de informação (Information Gain Metrics)
Termos relacionados
- Partially Observable Markov Decision Process (POMDP)
- Extended Kalman Filter
- Particle Filter
- Interactive Perception
- Robotic information gathering
- Task and Motion Planning