Robotic information gathering

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

Planejar para onde um robô deve se mover e onde deve fazer medições para que os dados que ele coleta sejam o mais informativos possível sobre um ambiente desconhecido, dentro de limites de comprimento de caminho, tempo ou energia.

Definição

Coleta robótica de informação (robotic information gathering) é o problema de escolher o caminho e as ações de medição de um robô para aprender o máximo possível sobre algo desconhecido: um campo espacial como temperatura ou salinidade, a localização de um alvo ou a estrutura de um ambiente. A qualidade de um plano é medida por um objetivo de informação, como a redução da entropia, a informação mútua entre as medições e a grandeza desconhecida ou a redução da variância de previsão de um modelo. O plano precisa respeitar orçamentos de comprimento de caminho, tempo, energia ou número de amostras, além das restrições de movimento do robô. O problema também é conhecido como planejamento informativo de caminhos (informative path planning), sensoriamento ativo (active sensing) ou amostragem adaptativa (adaptive sampling).

Um sistema típico tem três partes. Um modelo probabilístico representa o conhecimento atual e sua incerteza: a regressão por processos gaussianos é a escolha usual para campos espaciais contínuos, enquanto grades de ocupação e filtros de partículas são usados para mapas e alvos. Um objetivo pontua as medições candidatas usando esse modelo. Um planejador busca entre os caminhos viáveis, usando seleção gulosa, busca em árvore baseada em amostragem, branch and bound, busca em árvore de Monte Carlo ou aprendizado por reforço. Muitos objetivos de informação são submodulares, o que significa que cada nova medição acrescenta menos informação quanto mais já se sabe, e isso permite garantias de aproximação para algoritmos gulosos e relacionados em alguns cenários.

Os planos podem ser fixados de antemão (não adaptativos) ou atualizados à medida que as medições chegam (adaptativos). O planejamento adaptativo importa quando o campo não é conhecido de antemão: um robô que mapeia uma pluma de poluição deve concentrar as amostras onde a concentração muda rapidamente, o que exige tanto replanejamento online quanto um modelo capaz de representar uma suavidade espacial variável. A qualidade do modelo de incerteza é crítica, porque o planejador vai aonde o modelo afirma estar incerto; o artigo AK argumenta que kernels não estacionários melhoram isso. Problemas relacionados incluem a exploração baseada em fronteiras, que visa observar o espaço ainda não visto, e a cobertura ergódica, que distribui o tempo entre regiões em proporção a uma densidade de informação.

Por que importa

Robôs de campo para monitoramento ambiental, agricultura, busca e inspeção têm bateria e tempo limitados, e a forma como os gastam decide quão úteis são seus dados. A coleta de informação transforma essa escolha em um problema de planejamento com um objetivo mensurável, em vez de um padrão de levantamento fixo.

Principais aplicações

Monitoramento ambiental de água, ar e solo
Amostragem agrícola e monitoramento de lavouras
Levantamentos de oceanos e lagos com veículos de superfície ou subaquáticos
Busca e localização de alvos
Planejamento de vistas para inspeção e reconstrução 3D

Na prática

Uma equipe agrícola usa um robô terrestre que mede a umidade do solo com uma sonda em pontos escolhidos de um campo. Cada amostra leva tempo, então o robô só pode coletar um número limitado por saída. O pipeline mantém um modelo GP da umidade; a cada passo ele pontua os locais candidatos alcançáveis pela redução de variância esperada por unidade de tempo de deslocamento, vai até o melhor, coleta a amostra, atualiza o modelo e replaneja. A equipe compara o resultado com um levantamento em grade regular sobre amostras de verdade de campo reservadas, plotando o erro do mapa em função da distância percorrida. Uma falha que ela vigia é o planejador perseguir variância alta ao longo da borda do campo, onde o GP está extrapolando, por isso restringe os candidatos à região que realmente precisa mapear.

Equívocos comuns

Um levantamento em padrão de cortador de grama é sempre suficiente — a cobertura uniforme gasta orçamento em regiões uniformes e pode subamostrar feições abruptas, embora continue sendo uma referência forte para campos suaves e desconhecidos
Coleta de informação é o mesmo que exploração — a exploração visa observar o espaço ainda não visto, enquanto a coleta de informação mira a incerteza de um modelo, o que pode significar voltar a áreas já vistas
Reduzir a variância do modelo encontra as feições importantes — com hiperparâmetros fixos, a variância do GP ignora os valores medidos, então os planos podem deixar escapar pontos críticos, a menos que o modelo ou o objetivo os levem em conta

Quem deve saber

Engenheiros de robótica de campo em monitoramento ambiental e agrícola
Pesquisadores de robótica marinha e aérea
Pesquisadores de planejamento que trabalham com percepção ativa
Cientistas que usam robôs para coletar dados espaciais

Tecnologias relacionadas

Modelos de processos gaussianos (Gaussian Process Models)
Otimização submodular (Submodular Optimization)
Busca em árvore de Monte Carlo (Monte Carlo Tree Search)
Otimização bayesiana (Bayesian Optimization)
Mapeamento com grades de ocupação (Occupancy Grid Mapping)

Termos relacionados

Projetos relacionados

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