[論文レビュー] Informative Path Planning to Estimate Quantiles for Environmental Analysis

Isabel M. Rayas Fernández, Christopher E. Denniston+2 more|arXiv (Cornell University)|Jan 25, 2022

Species Distribution and Climate Change被引用数 4

ひとこと要約

本論文は、環境の分位数（例：クロロフィルのデュアイルや植物の健康状態）の推定を向上させるために、新しい目的関数（分位数の変化および分位数標準誤差）を用いた適応的ロボットパスプランニングフレームワークを提案する。その後、最適な実地標本収集位置の選定に交差エントロピー損失関数を適用する。実世界の試験において、エントロピーに基づくベースラインと比較して中央誤差を10.2%低減し、最良訪問地点ベースラインと比較して15.7%低減した。

ABSTRACT

Scientists interested in studying natural phenomena often take physical specimens from locations in the environment for later analysis. These analysis locations are typically specified by expert heuristics. Instead, we propose to choose locations for scientific analysis by using a robot to perform an informative path planning survey. The survey results in a list of locations that correspond to the quantile values of the phenomenon of interest. We develop a robot planner using novel objective functions to improve the estimates of the quantile values over time and an approach to find locations which correspond to the quantile values. We test our approach in four different environments using previously collected aquatic data and validate it in a field trial. Our proposed approach to estimate quantiles has a 10.2% mean reduction in median error when compared to a baseline approach which attempts to maximize spatial coverage. Additionally, when localizing these values in the environment, we see a 15.7% mean reduction in median error when using cross-entropy with our loss function compared to a baseline.

研究の動機と目的

• 環境科学におけるヒューリスティックベースの標本収集の限界に対処する。ここでは、専門家ルールがしばしば非効率な空間的サンプリングをもたらす。
• クロロフィル濃度や植物の健康状態などの環境現象における分位数（例：デュアイル、上尾分位数）の推定精度を向上させる。
• 時間経過とともに分位数推定を改善するため、測定位置を適応的に選択するロボット計画パイプラインを開発する。
• 環境中の推定分位数値に対応する物理的に実現可能な標本収集位置を同定する。
• シミュレーションおよび実世界環境（ドローンおよびAUVのデプロイメントを含む）で手法を検証する。

提案手法

• 本手法は、ロボットが感知したデータから環境変数の空間的分布をモデル化するためにガウス過程（GP）を用いる。
• 反復的な分位数推定の向上を図るため、情報的パスプランニングに向けた2つの新しい目的関数（分位数の変化および分位数標準誤差）を導入する。
• 分位数標準誤差目的関数は、空間的フィールド全体における推定分位数値の不確実性を最小化する。
• 推定分位数値を物理的場所にマッピングするための別個の微分可能損失関数を提案する。これにより、候補地に対する最適化が可能になる。
• この損失関数は、クロスエントロピーなどのブラックボックス最適化手法と組み合わせられ、推定分位数値と一致する最良の標本収集点を選択する。
• システムは、点センサー（クロロフィル）およびカメラセンサー（作物の健康状態）を用いて評価され、ドローンおよびAUVを用いた実地試験が実施された。

実験結果

リサーチクエスチョン

• RQ1 分位数固有の目的関数を用いた情報的パスプランニングは、従来の空間的カバレッジ法やエントロピーに基づく手法と比較して、環境分位数推定の精度を向上させることができるか？
• RQ2 実環境フィールドにおいて、ロボット計画によるサーベイは、デュアイルや上尾分位数（例：0.90、0.95、0.99）などの分位数をどれほど正確に推定できるか？
• RQ3 微分可能損失関数は、複雑な環境において推定分位数値を物理的に実現可能な標本収集位置に効果的にマッピングできるか？
• RQ4 提案された損失関数を用いたクロスエントロピー最適化は、最良訪問測定点を選択するベースラインを上回る性能を示すか？
• RQ5 本手法は、点センサーと画像センサーの異なるセンサーモダリティおよび実世界のデプロイメント制約の両方においてスケーラブルか？

主な発見

• 提案された分位数標準誤差目的関数は、すべてのテスト環境においてエントロピーに基づくベースラインと比較して中央誤差を10.2%低減した。
• 提案された損失関数を用いたクロスエントロピー最適化は、最良訪問測定点を選択するベースラインと比較して、標本収集位置の選定において平均で15.7%の中央誤差低減を達成した。
• 芝生フィールド上でのドローンを用いた現地試験では、ロボットが最も目立つ領域に訪問していなくても、グリーンネスのデュアイルに対応する多様な標本収集位置を正常に同定した。
• 本手法は、点センサー（クロロフィル）および画像センサー（作物の健康状態）の両方において、一貫した性能向上を示し、耐性を示した。
• 推定精度および位置選定の忠実度の両面で、ベイズ最適化および情報理論的ベースラインを上回った。
• 本手法により、現実の環境モニタリングタスクにおけるスケーラブルで、適応的かつ科学的に意味のある標本収集計画が可能になった。