[論文レビュー] Multi-Robot Informative Path Planning for Active Sensing of Environmental Phenomena: A Tale of Two Algorithms

N. Cao, Kian Hsiang Low+1 more|arXiv (Cornell University)|Feb 4, 2013

Gaussian Processes and Bayesian Inference参考文献 19被引用数 75

ひとこと要約

本稿では、ガウス過程モデルを用いた異方性環境場のマルチロボットアクティブセンシングに向け、2つの新しい情報理論的パスプランニングアルゴリズム、MEPP$(m)$ および M²IPP$(m)$ を提案する。空間相関構造、特にトレース方向における低相関を活用することで、最先端の手法と比較して最大4桁の低い計算時間で近似的最適なセンシング性能を達成する。これは特に $m$ が小さい、またはトレース方向の相関が低い場合に顕著である。

ABSTRACT

A key problem of robotic environmental sensing and monitoring is that of active sensing: How can a team of robots plan the most informative observation paths to minimize the uncertainty in modeling and predicting an environmental phenomenon? This paper presents two principled approaches to efficient information-theoretic path planning based on entropy and mutual information criteria for in situ active sensing of an important broad class of widely-occurring environmental phenomena called anisotropic fields. Our proposed algorithms are novel in addressing a trade-off between active sensing performance and time efficiency. An important practical consequence is that our algorithms can exploit the spatial correlation structure of Gaussian process-based anisotropic fields to improve time efficiency while preserving near-optimal active sensing performance. We analyze the time complexity of our algorithms and prove analytically that they scale better than state-of-the-art algorithms with increasing planning horizon length. We provide theoretical guarantees on the active sensing performance of our algorithms for a class of exploration tasks called transect sampling, which, in particular, can be improved with longer planning time and/or lower spatial correlation along the transect. Empirical evaluation on real-world anisotropic field data shows that our algorithms can perform better or at least as well as the state-of-the-art algorithms while often incurring a few orders of magnitude less computational time, even when the field conditions are less favorable.

研究の動機と目的

• 空間相関する環境現象をマルチロボットチームが効率的かつ情報最適にセンシングするための、スケーラブルなパスプランニングの課題に対処する。
• 非マクロな情報理論的パスプランニングにおける、アクティブセンシング性能と計算効率のトレードオフを克服する。
• 温度やプランクトン密度などの異方性場の空間相関構造を活用し、センシング精度を損なわずに時間効率を向上させる。
• さまざまな場の相関条件におけるパスプランニングの性能とスケーラビリティについて、理論的保証を提供する。
• 事前知識として得られる低相関方向を活用し、トレース方向に一致させることで、計算コストを顕著に低減できることを示す。

提案手法

• 計算複雑性を低減するために、見通しホライズン $m$ を用いた情報利得の切り詰め近似を用いたエントロピー最小化に基づく MEPP$(m)$ というパスプランニングアルゴリズムを提案する。
• 将来の観測における情報利得を最大化するようにパスを選択する相互情報量ベースの M²IPP$(m)$ アルゴリズムを導入する。こちらについても見通しホライズン $m$ を用いる。
• ガウス過程ベースの場の異方性空間相関構造を活用し、トレース方向を空間的相関が最小となる軸に一致させることで、効果的な計画に必要な $m$ を低減する。
• 情報利得と計算の tractability を両立させるためのグリーディで反復的な選択戦略を用い、両アルゴリズムの理論的時間計算量の上限を証明する。
• 予測不確実性を最も効果的に低減するパスを優先するために、情報利得計算に空間相関モデリングを統合する。
• グリッドに沿ったヒューリスティックなアプローチを用いてパスプランニングをガイドするが、パスを固定グリッド点に制限せず、連続的かつ高分解能なサンプリングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 スケーラブルで情報理論的であるがゆえに、マルチロボットチームの計算コストを著しく低減しつつ、近似的最適なアクティブセンシング性能を維持できるパスプランニングアルゴリズムを設計できるか？
• RQ2 異方性場の空間相関構造は、アクティブセンシングアルゴリズムの性能と効率にどのように影響を与えるか？
• RQ3 異方性場における低相関方向の事前知識を、必要な見通しホライズン $m$ を低減させ、時間効率を向上させるためにどの程度活用できるか？
• RQ4 MEPP$(m)$ および M²IPP$(m)$ は、実世界の多様な異方性場において、予測不確実性、相互情報量、計算時間の観点から、最先端の手法（gMEPP、gM²IPP）と比較してどのように差をつけるか？
• RQ5 場の条件（例えば、トレース方向の相関が高いか低いか）によって、提案手法が計算上の利点を最大限に発揮するのはどのような状況か？

主な発見

• すべてのテスト対象の場とロボット数において、MEPP$(m)$ は gMEPP や gM²IPP よりも低いエントロピーと予測誤差を達成するが、計算時間は2〜5桁低い。
• M²IPP$(m)$ は、gM²IPP や gMEPP と同等または優れた相互情報量と誤差性能を達成し、gM²IPP よりも約2桁の計算時間短縮を実現する。
• トレース方向に空間的相関が低い異方性場（例：温度場 a, b、プランクトン密度）では、MEPP$(m)$ および M²IPP$(m)$ が $m = 1$ または $2$ で近似的最適な性能を達成し、計算量を最大4桁低減する。
• トレース方向に相関が高い場（例：温度場 d）では、MEPP$(m)$ および M²IPP$(m)$ は小さな $m$ でも強力な性能を維持し、gMEPP や gM²IPP よりも1〜4桁の高速計算を達成する。
• トレース方向に相関が高い場（例：温度場 c）では、$m$ を増加させることで性能が向上するが、同等の利得を得る場合、MEPP$(m)$ は M²IPP$(m)$ よりも計算コストが低くなる。
• 実世界データを用いた実験結果から、MEPP$(m)$ および M²IPP$(m)$ がセンシング精度において最先端の手法を上回るか同等の性能を発揮し、計算コストを数桁から数万倍まで低減できることを確認した。特に相関構造が有利な場合に顕著である。