Robotic information gathering

• 又稱: informative path planning, IPP, active sensing, adaptive sampling
• 類別: State estimation & navigation › Navigation
• 標籤: path-planning, active-perception, environmental-monitoring, field-robotics, uncertainty

規劃機器人應移動到哪裡並進行量測，使其蒐集的資料在路徑長度、時間或能量的限制內，對未知環境提供盡可能多的資訊。

定義

機器人資訊蒐集（Robotic information gathering）是這樣的問題：選擇機器人的路徑與感測動作，以盡可能多地了解某個未知的事物，例如溫度或鹽度等空間場、目標的位置，或環境的結構。規劃的品質以資訊目標來衡量，例如熵的減少、量測與未知量之間的互資訊，或模型預測變異數的減少。規劃必須遵守路徑長度、時間、能量或取樣次數的預算，以及機器人的運動約束。這個問題也稱為資訊導向路徑規劃（informative path planning）、主動感測（active sensing）或適應性取樣（adaptive sampling）。

典型的系統由三個部分組成。機率模型表示目前的知識及其不確定性：對連續的空間場，高斯過程迴歸是常見的選擇，而佔據網格與粒子濾波器則用於地圖與目標。目標函數利用該模型為候選量測評分。規劃器在可行路徑上搜尋，使用貪婪選擇、以取樣為基礎的樹搜尋、分支定界、蒙地卡羅樹搜尋或強化學習。許多資訊目標是子模的（submodular），也就是已知的越多，每筆新量測增加的資訊就越少，這讓貪婪演算法及相關演算法在某些情況下具有近似保證。

規劃可以事先固定（非適應性），也可以隨著量測到來而更新（適應性）。當場事先未知時，適應性規劃很重要：繪製污染羽流地圖的機器人應把取樣集中在濃度變化快的地方，這既需要線上重新規劃，也需要一個能表示不同空間平滑度的模型。不確定性模型的品質至關重要，因為模型聲稱哪裡不確定，規劃器就會往哪裡去；AK 論文主張非平穩核能改善這一點。相關問題包括以觀察未見空間為目標的前緣式探索（frontier-based exploration），以及依資訊密度按比例在各區域分配時間的遍歷涵蓋（ergodic coverage）。

為何重要

用於環境監測、農業、搜尋與巡檢的野外機器人電池與時間有限，如何運用它們決定了資料有多大用處。資訊蒐集把這個選擇變成具有可量測目標的規劃問題，而不是固定的勘測模式。

主要應用

• 水、空氣與土壤的環境監測
• 農業取樣與作物監測
• 以水面或水下載具進行海洋與湖泊勘測
• 搜尋與目標定位
• 用於巡檢與 3D 重建的視點規劃

實際應用

一個農業團隊使用一台地面機器人，在田間選定的點以探針量測土壤濕度。每次取樣都要花時間，因此機器人每次出勤只能取有限數量的樣本。流程中維護一個濕度的 GP 模型；在每一步，它依每單位行駛時間的預期變異數減少量，為可到達的候選位置評分，駛往最佳的位置、取樣、更新模型並重新規劃。團隊在保留的地面實況樣本上，將結果與規則網格勘測比較，繪出地圖誤差對行駛距離的曲線。他們特別留意的一種失敗情況，是規劃器沿著田地邊界追逐高變異數，因為 GP 在那裡是在外插，所以他們把候選位置限制在真正需要繪製地圖的區域內。

常見誤解

• 割草機式勘測一定夠好 — 均勻涵蓋會把預算花在均勻的區域上，也可能對尖銳的特徵取樣不足，不過對平滑的未知場而言，它仍是很強的基準線
• 資訊蒐集和探索是同一回事 — 探索的目標是觀察未見過的空間，而資訊蒐集針對的是模型中的不確定性，這可能意味著重訪已經看過的區域
• 降低模型變異數就能找到重要的特徵 — 在超參數固定時，GP 變異數會忽略量測到的數值，因此除非模型或目標函數有考慮到這點，否則規劃可能會錯過熱點

誰需要了解

• 從事環境與農業監測的野外機器人工程師
• 海洋與空中機器人研究人員
• 從事主動感知的規劃研究人員
• 使用機器人蒐集空間資料的科學家

相關技術

• 高斯過程模型（Gaussian Process Models）
• 子模最佳化（Submodular Optimization）
• 蒙地卡羅樹搜尋（Monte Carlo Tree Search）
• 貝氏最佳化（Bayesian Optimization）
• 佔據網格建圖（Occupancy Grid Mapping）

相關術語

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

相關專案

• 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