[论文解读] 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 75

一句话总结

本文提出了两种新颖的信息论路径规划算法 MEPP$(m)$ 和 M²IPP$(m)$，用于使用高斯过程模型对各向异性环境场进行多机器人主动感知。通过利用空间相关性结构——尤其是沿横截方向的相关性较低——这些算法在计算时间上比当前最先进的方法降低高达 4 个数量级，同时实现接近最优的感知性能，尤其当 $m$ 较小或沿横截方向相关性较低时表现更优。

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.

研究动机与目标

• 解决多机器人团队在感知空间相关环境现象时，高效且信息最优的路径规划挑战。
• 克服非贪心、信息论路径规划中主动感知性能与计算效率之间的权衡。
• 利用各向异性场（如温度、浮游生物密度）的空间相关性结构，提升时间效率而不牺牲感知精度。
• 为在不同场相关性条件下路径规划提供性能和可扩展性的理论保证。
• 证明可利用低相关性方向的先验知识来对齐横截方向，从而显著降低计算成本。

提出的方法

• 提出 MEPP$(m)$，一种基于熵最小化的路径规划算法，采用截断的信息增益近似方法并引入前瞻时域 $m$，以降低计算复杂度。
• 提出 M²IPP$(m)$，一种基于互信息的算法，通过选择能最大化未来观测信息增益的路径来实现规划，同样采用前瞻时域 $m$。
• 通过将横截方向与空间相关性最低的轴对齐，利用基于高斯过程的场的各向异性空间相关性结构，从而减少有效规划所需的 $m$ 值。
• 采用贪心的迭代选择策略构建机器人路径，以在信息增益与计算可行性之间取得平衡，并为两种算法证明了理论时间复杂度上界。
• 将空间相关性建模整合到信息增益计算中，优先选择能最有效地降低预测不确定性的路径。
• 应用启发式网格对齐策略以指导路径规划，但避免将路径约束在固定网格点上，从而实现沿路径的连续、高分辨率采样。

实验结果

研究问题

• RQ1 我们能否设计一种可扩展的信息论路径规划算法，在显著降低计算成本的同时，仍保持接近最优的主动感知性能，适用于多机器人团队？
• RQ2 各向异性场的空间相关性结构在多大程度上影响主动感知算法的性能与效率？
• RQ3 在各向异性场中，对低相关性方向的先验知识能在多大程度上被利用，以减少所需的前瞻时域 $m$，从而提升时间效率？
• RQ4 在多种真实世界各向异性场中，MEPP$(m)$ 和 M²IPP$(m)$ 与当前最先进的算法（gMEPP、gM²IPP）在预测不确定性、互信息和计算时间方面的表现如何比较？
• RQ5 在何种场条件（如横截方向高相关性或低相关性）下，所提出的算法能获得最大的计算优势？

主要发现

• 在所有测试的场和机器人数量下，MEPP$(m)$ 的熵和预测误差均低于 gMEPP 和 gM²IPP，同时计算时间减少 2 至 5 个数量级。
• M²IPP$(m)$ 在互信息和误差性能方面与 gM²IPP 和 gMEPP 相当或更优，且计算时间约为 gM²IPP 的 1/100。
• 对于横截方向空间相关性较低的各向异性场（如温度场 a、b 和浮游生物密度场），MEPP$(m)$ 和 M²IPP$(m)$ 在 $m = 1$ 或 $2$ 时即可实现接近最优性能，计算成本降低高达 4 个数量级。
• 在垂直方向相关性较高的场中（如温度场 d），MEPP$(m)$ 和 M²IPP$(m)$ 仍能保持优异性能，且使用小 $m$ 值时，计算速度比 gMEPP 和 gM²IPP 快 1 至 4 个数量级。
• 当场相关性在横截方向较高时（如温度场 c），增加 $m$ 可进一步提升性能，但 MEPP$(m)$ 在实现同等性能增益时，计算成本始终低于 M²IPP$(m)$。
• 基于真实世界数据的实证结果表明，MEPP$(m)$ 和 M²IPP$(m)$ 在感知精度上优于或等同于当前最先进的方法，同时将计算成本降低了数个数量级，尤其在有利的相关性结构下表现更优。