[论文解读] 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 4

一句话总结

本文提出了一种自适应机器人路径规划框架，采用新颖的目标函数——分位数变化与分位数标准误，以改进对环境分位数（如叶绿素或植物健康状况的十分位数）的估计。随后，利用交叉熵损失函数选择最优的物理样本采集位置。在真实世界试验中，与基于熵的基线相比，该方法将中位数误差降低了10.2%，与最佳访问点基线相比降低了15.7%。

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.

研究动机与目标

• 为解决环境科学中基于启发式规则的样本采集方法的局限性，此类方法常因专家规则导致空间采样次优。
• 提升对环境现象中分位数估计的准确性（如十分位数、上尾分位数），例如叶绿素浓度或植物健康状况。
• 开发一种机器人规划流水线，可自适应地选择测量位置，以随时间推移不断优化分位数估计。
• 识别与环境中估计分位数值相对应的物理上可实现的样本采集位置。
• 在模拟环境和真实世界场景中验证该方法，包括无人机和无人水下航行器（AUV）的部署。

提出的方法

• 该方法使用高斯过程（GP）对机器人感知数据中的环境变量空间分布进行建模。
• 提出两种新颖的目标函数——分位数变化与分位数标准误，用于信息性路径规划，以迭代提升分位数估计。
• 分位数标准误目标函数通过最小化空间场中估计分位数值的不确定性，来减少估计误差。
• 提出一个独立的可微分损失函数，用于将估计的分位数值映射到物理位置，从而实现在候选区域上的优化。
• 该损失函数与黑箱优化器（如交叉熵）结合使用，以选择最匹配估计分位数值的样本采集点。
• 系统通过点传感器（叶绿素）和相机传感器（作物健康）进行评估，并在无人机和AUV的野外试验中进行了测试。

实验结果

研究问题

• RQ1 与传统的空间覆盖或基于熵的方法相比，使用分位数特定目标函数的信息性路径规划是否能提升环境分位数估计的准确性？
• RQ2 机器人规划的调查在真实环境场中能否有效估计分位数（如十分位数或上尾值，例如0.90、0.95、0.99）？
• RQ3 可微分损失函数是否能有效将估计的分位数值映射到复杂环境中物理上可实现的样本采集位置？
• RQ4 使用交叉熵优化与所提出的损失函数是否优于基线方法（如选择访问次数最多的测量点）？
• RQ5 该方法在不同传感器模态（点传感器与成像传感器）及真实世界部署约束下的可扩展性如何？

主要发现

• 所提出的分位数标准误目标函数在所有测试环境中，与基于熵的基线相比，将中位数误差降低了10.2%。
• 使用所提损失函数的交叉熵优化器在选择样本采集点时，与选择最佳访问测量点的基线相比，平均将中位数误差降低了15.7%。
• 在无人机对草地场域的野外试验中，系统成功识别出对应于绿色度十分位数的多样化样本采集位置，即使机器人未访问视觉上最显著的区域。
• 该方法在不同类型传感器（点传感器（叶绿素）与成像传感器（作物健康））中表现出鲁棒性，且性能提升一致。
• 在估计准确性和位置选择保真度方面，该方法优于贝叶斯优化和信息论基线方法。
• 该方法实现了在真实世界环境监测任务中可扩展、自适应且具有科学意义的样本采集规划。