[논문 리뷰] On Sensing, Agility, and Computation Requirements for a Data-gathering Agile Robotic Vehicle

Fangchang Ma, Sertaç Karaman|arXiv (Cornell University)|2017. 04. 07.

Optimization and Search Problems참고 문헌 59인용 수 3

한 줄 요약

이 논문은 목표가 무작위로 분포하고 포isson 분포를 따르는 불확실한 환경에서 운용되는 데이터 수집 로봇 차량의 센싱, 민첩성, 계산 능력을 공동 설계하기 위한 이론적 프레임워크를 제안한다. 문제를 통계역학의 최종통과 퍼지기(least-passage percolation) 모델과 연결된 최대 보상 수집 과제로 모델링함으로써, 성능은 높은 이동성(감소하는 수익)과 센싱 범위 증가에 따라 향상되며, 계산 요구량은 특히 센싱과 민첩성이 증가함에 따라 계획보다 추론에서 더 빠르게 증가함을 도출한다.

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.

연구 동기 및 목표

• 알 수 없는 공간 분포를 가진 원천으로부터 데이터를 수집하는 로봇 차량의 성능에 대한 증명 가능한 경계를 수립하기 위해.
• 정보 수집 미션에서 센싱 범위, 차량의 민첩성, 계산 부담 간의 상호작용을 규명하기 위해.
• 미션 요구사항에 기반하여 무인 항공기(UAV) 하드웨어 및 소프트웨어 능력을 공동 설계할 수 있는 프레임워크를 제공하기 위해.
• 최종통과 퍼지기 모델을 통해 로봇 정보 수집을 통계역학과 연결하기 위해.
• 계산 실험을 통해 이론적 결과를 검증하고, 무단 지상 센서의 센서 선택에 적용하기 위해.

제안 방법

• 로봇의 운동과 데이터 수집을 무작위 보상 필드 내 최대 보상 수집 과제로 모델링하기 위해.
• 문제의 이산형을 통계역학의 최종통과 퍼지기 모델로 축소하기 위해.
• 통계역학에서 알려진 결과를 활용해 보상 수집에 대한 渐近적 성능 경계를 유도하기 위해.
• 스케일링 및 극한 근사 기법을 사용해 이산 결과를 연속 공간으로 확장하기 위해.
• 경로 계획 및 보상 수집에 대한 광범위한 계산 실험을 통해 이론적 예측을 검증하기 위해.
• 결과를 센서 네트워크 설계에 적용하여 동일한 정밀도 대비 랜덤 정밀도를 사용했을 때 추정 신뢰도 향상 여부를 비교하기 위해.

실험 결과

연구 질문

• RQ1 목표 위치의 정보 분포가 효과적인 데이터 수집을 위해 필요한 센싱 범위에 어떻게 영향을 미치는가?
• RQ2 차량의 민첩성이 증가할 경우 데이터 수집 성능에 어떤 영향을 미치며, 이는 감소 수익을 보이는가?
• RQ3 센싱 범위와 이동 능력이 함께 작용할 때, 계획과 추론에 대한 계산 부담은 어떻게 영향을 받는가?
• RQ4 무단 지상 센서 네트워크에서 동일 정밀도 대비 랜덤 정밀도를 사용할 경우 추정의 신뢰도가 향상되는가?
• RQ5 통계역학의 최종통과 퍼지기 모델에서 유도된 결과가 로봇 정보 수집 문제에 얼마나 적용 가능한가?

주요 결과

• 민첩성이 높아질수록 성능이 향상되지만, 민첩성이 향상될수록 수익 감소 현상이 나타남.
• 보상이 일정하게 1이고 민첩성이 유한할 경우, 예상 보상 수집 속도는 거의 확실히 단위 길이당 √(2λ)로 수렴함.
• 예를 들어 평균이 1인 지수분포를 사용해 센서 정밀도를 랜덤화할 경우, 평균 정밀도 향상률이 최소 2.1에 이를 수 있으며, 이는 동일 정밀도 센서의 √2 향상률보다 뚜렷이 뛰어남.
• 센서 정밀도의 분산은 추정 오차 분산의 빠른 감소를 이끌어내어 추론의 강건성과 신뢰도를 향상시킴.
• 센싱 범위와 민첩성이 증가함에 따라 계획에 대한 계산 요구량이 추론보다 더 빠르게 증가함.
• 최종통과 퍼지기 모델에서 도출된 이론적 결과는 무작위 환경에서 최적의 데이터 수집 성능에 대한 날카로운 경계를 제공함.