Robotic information gathering

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

规划机器人应移动到哪里并进行测量，使其采集的数据在路径长度、时间或能量的限制内，对未知环境提供尽可能多的信息。

定义

机器人信息采集（Robotic information gathering）是这样一个问题：选择机器人的路径和感知动作，以尽可能多地了解某种未知事物，例如温度或盐度等空间场、目标的位置或环境的结构。规划的质量用信息目标来衡量，例如熵的减少、测量与未知量之间的互信息，或模型预测方差的减少。规划必须遵守路径长度、时间、能量或采样次数方面的预算，以及机器人的运动约束。这个问题也被称为信息路径规划（informative path planning）、主动感知（active sensing）或自适应采样（adaptive sampling）。

一个典型的系统由三部分组成。概率模型表示当前的知识及其不确定性：对于连续空间场，高斯过程回归是常用选择，而占据栅格和粒子滤波器则用于地图和目标。目标函数利用该模型为候选测量打分。规划器在可行路径上进行搜索，使用贪心选择、基于采样的树搜索、分支定界、蒙特卡洛树搜索或强化学习。许多信息目标是次模的（submodular），即已知的信息越多，每次新测量增加的信息就越少，这使得贪心算法及相关算法在某些情形下具有近似保证。

规划可以事先固定（非自适应），也可以随着测量的到来而更新（自适应）。当场事先未知时，自适应规划很重要：绘制污染羽流地图的机器人应把采样集中在浓度变化快的地方，这既需要在线重规划，也需要一个能表示不同空间光滑度的模型。不确定性模型的质量至关重要，因为模型声称哪里不确定，规划器就会去哪里；AK 论文认为非平稳核可以改善这一点。相关问题包括以观察未见空间为目标的基于前沿的探索（frontier-based exploration），以及按信息密度成比例地在各区域分配时间的遍历覆盖（ergodic coverage）。

为何重要

用于环境监测、农业、搜索和巡检的野外机器人电池和时间有限，如何使用它们决定了数据的价值。信息采集把这一选择变成一个具有可度量目标的规划问题，而不是固定的勘测模式。

主要应用

• 水、空气和土壤的环境监测
• 农业采样和作物监测
• 使用水面或水下载具进行海洋和湖泊勘测
• 搜索和目标定位
• 用于巡检和 3D 重建的视点规划

实际应用

一个农业团队使用一台地面机器人，在田间选定的点上用探针测量土壤湿度。每次采样都需要时间，因此机器人每次出动只能采集有限数量的样本。该流程维护一个湿度的 GP 模型；在每一步，它按单位行驶时间的预期方差减少量为可到达的候选位置打分，驶向最佳位置，采样，更新模型并重新规划。团队在留出的地面真值样本上把结果与规则网格勘测进行比较，绘制地图误差随行驶距离变化的曲线。他们注意防范的一种失败情况是规划器沿着田地边界追逐高方差，因为 GP 在那里是外推的，所以他们把候选位置限制在真正需要绘图的区域内。

常见误解

• 割草机式勘测总是足够好 — 均匀覆盖会把预算花在均匀区域上，并可能对尖锐特征采样不足，不过对于光滑的未知场，它仍是一个强有力的基线
• 信息采集与探索是一回事 — 探索的目标是观察未见空间，而信息采集针对的是模型中的不确定性，这可能意味着重访已经看过的区域
• 减少模型方差就能找到重要特征 — 在超参数固定时，GP 方差忽略测得的数值，因此除非模型或目标函数考虑到这一点，否则规划可能会错过热点

谁需要了解

• 从事环境和农业监测的野外机器人工程师
• 海洋和空中机器人研究人员
• 从事主动感知的规划研究人员
• 使用机器人采集空间数据的科学家

相关技术

• 高斯过程模型（Gaussian Process Models）
• 次模优化（Submodular Optimization）
• 蒙特卡洛树搜索（Monte Carlo Tree Search）
• 贝叶斯优化（Bayesian Optimization）
• 占据栅格建图（Occupancy Grid Mapping）

相关术语

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

相关项目

• 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