[論文レビュー] On Sensing, Agility, and Computation Requirements for a Data-gathering Agile Robotic Vehicle

Fangchang Ma, Sertaç Karaman|arXiv (Cornell University)|Apr 7, 2017

Optimization and Search Problems参考文献 59被引用数 3

ひとこと要約

本稿では、未知のポアソン分布に従う標的を有する確率的環境で作業するデータ収集用ロボット車両のセンシング、機動性、計算能力を一体的に最適化する理論的枠組みを提案する。問題を統計力学における最後通過パーコレーションに関連付ける最大報酬収集問題としてモデル化することで、性能は高い機動性（次第に効果が薄れる）とセンシング範囲の向上により向上するが、計画処理における計算要求は推論処理よりも急激に増加し、特にセンシング範囲と機動性が向上する際顕著になることが示された。

ABSTRACT

We consider a robotic vehicle tasked with gathering information by visiting a set of spatially-distributed data sources, the locations of which are not known a priori, but are discovered on the fly. We assume a first-order robot dynamics involving drift and that the locations of the data sources are Poisson-distributed. In this setting, we characterize the performance of the robot in terms of its sensing, agility, and computation capabilities. More specifically, the robot's performance is characterized in terms of its ability to sense the target locations from a distance, to maneuver quickly, and to perform computations for inference and planning. We also characterize the performance of the robot in terms of the amount and distribution of information that can be acquired at each data source. The following are among our theoretical results: the distribution of the amount of information among the target locations immensely impacts the requirements for sensing targets from a distance; performance increases with increasing maneuvering capability, but with diminishing returns; and the computation requirements increase more rapidly for planning as opposed to inference, with both increasing sensing range and maneuvering ability. We provide computational experiments to validate our theoretical results. Finally, we demonstrate that these results can be utilized in the co-design of sensing, actuation, and computation capabilities of mobile robotic systems for an information-gathering mission. Our proof techniques establish novel connections between the fundamental problems of robotic information-gathering and the last-passage percolation problem of statistical mechanics, which may be of interest on its own right.

研究の動機と目的

• 未知の空間的分布を持つ情報源からデータを収集するロボット車両の、証明可能な性能バインディングを確立すること。
• 情報収集ミッションにおけるセンシング範囲、車両の機動性、計算負荷の相互作用を特定すること。
• ミッション要件に基づいて無人航空機（UAV）のハードウェアおよびソフトウェア能力を一体的に設計するフレームワークを提供すること。
• ロボット情報収集を統計力学の最後通過パーコレーションモデルと結びつけること。
• 計算実験を通じて理論的結果を検証し、未監視地上センサのセンサ選定に応用すること。

提案手法

• ロボットの運動とデータ収集を、確率的報酬場における最大報酬収集問題としてモデル化する。
• 問題の離散版を統計力学における最後通過パーコレーションモデルに還元する。
• 統計力学における既知の結果を用いて、報酬収集の漸近的性能バインディングを導出する。
• スケーリングおよび極限の議論を用いて、離散的結果を連続空間に拡張する。
• 軌道計画および報酬収集に関する広範な計算実験を通じて、理論的予測を検証する。
• 得られた知見をセンサネットワーク設計に応用し、均一な精度とランダム化されたセンサ精度の比較を通じて推定信頼性の向上を検討する。

実験結果

リサーチクエスチョン

• RQ1 ターゲット位置における情報の分布が、効果的なデータ収集に必要なセンシング範囲にどのように影響するか？
• RQ2 車両の機動性を向上させるとデータ収集性能にどのような影響があり、その効果は次第に薄れる（次第に効果が減少する）のか？
• RQ3 センシング範囲と移動能力が、計画処理と推論処理における計算負荷にどのように同時に影響を与えるか？
• RQ4 未監視地上センサネットワークにおいて、均一な精度と比較してセンサ精度をランダム化することは、推定信頼性を向上させることができるか？
• RQ5 統計力学における最後通過パーコレーションの結果が、ロボット情報収集問題にどの程度適用可能か？

主な発見

• 機動性が向上するにつれて性能は向上するが、機動性が向上するに従い、その効果は次第に薄れる。
• 報酬が一様に1であり、機動性が有界である場合、期待される報酬収集レートはほとんど確実に単位長さあたり √(2λ) に収束する。
• センサ精度をランダム化（例：平均1の指数分布）することで、平均的な精度向上が少なくとも2.1に達し、均一なセンサ（精度向上 √2）を著しく上回る。
• センサ精度の分散は、推定誤差分散の速やかな減少をもたらし、推論におけるロバスト性と信頼性を向上させる。
• センシング範囲と機動性が向上するに従い、計画処理における計算要求は推論処理よりも著しく増加する。
• 最後通過パーコレーションから導出された理論的結果は、確率的環境下での最適データ収集性能に対してタイトなバインディングを提供する。