[论文解读] Robust Active Perception via Data-association aware Belief Space planning

Shashank Pathak, Antony Thomas+2 more|arXiv (Cornell University)|Jun 16, 2016

Robotics and Sensor-Based Localization参考文献 31被引用 4

一句话总结

本文提出数据关联感知信念空间规划（DA-BSP），一种新颖的框架，将概率数据关联整合到信念空间规划中，以处理感知混淆和定位不确定性。通过将信念建模为多种分布的混合，并优化以减少模糊性，DA-BSP 实现了主动消歧，相较于标准 BSP，在模糊环境中表现出可测量的关联准确率提升与不确定性降低。

ABSTRACT

We develop a belief space planning (BSP) approach that advances the state of the art by incorporating reasoning about data association (DA) within planning, while considering additional sources of uncertainty. Existing BSP approaches typically assume data association is given and perfect, an assumption that can be harder to justify while operating, in the presence of localization uncertainty, in ambiguous and perceptually aliased environments. In contrast, our data association aware belief space planning (DA-BSP) approach explicitly reasons about DA within belief evolution, and as such can better accommodate these challenging real world scenarios. In particular, we show that due to perceptual aliasing, the posterior belief becomes a mixture of probability distribution functions, and design cost functions that measure the expected level of ambiguity and posterior uncertainty. Using these and standard costs (e.g.~control penalty, distance to goal) within the objective function, yields a general framework that reliably represents action impact, and in particular, capable of active disambiguation. Our approach is thus applicable to robust active perception and autonomous navigation in perceptually aliased environments. We demonstrate key aspects in basic and realistic simulations.

研究动机与目标

• 解决标准信念空间规划（BSP）的局限性，即假设数据关联（DAS）完美且已知，这在感知混淆环境中会失效。
• 应对现实机器人场景中传感器观测模糊所带来的感知混淆与定位不确定性挑战。
• 开发一个统一的“规划-推理-执行”框架，通过智能动作选择实现主动消歧。
• 通过将数据关联推理直接整合到信念演化和代价函数中，实现可扩展且鲁棒的感知。
• 在仿真和真实世界环境中验证该框架的有效性，包括多楼层机器人导航任务。

提出的方法

• 将机器人的信念建模为概率密度函数的混合，以表示由于感知混淆导致的多种可能的数据关联。
• 制定一个代价函数，包含标准项（控制惩罚、到目标的距离）以及新组件：预期模糊性（通过 DA 成本衡量）和后验不确定性（Worst-Cov）。
• 使用 KL 散度（KL_u）作为度量，量化信念分歧，评估不同动作下信念演化的质量。
• 将数据关联推理整合到信念更新过程中，使规划器能够通过动作选择预判并解决模糊性。
• 采用简单的阈值化机制剪枝低可能性关联，确保在信念模式呈指数增长的情况下仍具可扩展性。
• 采用基于采样的方法，通过模拟信念演化并计算多个假设下的期望代价，评估候选动作。

实验结果

研究问题

• RQ1 如何将信念空间规划扩展至在感知混淆与定位不确定性存在的情况下推理数据关联？
• RQ2 统一的规划框架能否通过选择最优视角或动作来主动消歧模糊的传感器观测？
• RQ3 在主动感知中，哪些代价组件是有效平衡模糊性减少、不确定性最小化与控制努力所必需的？
• RQ4 在模糊环境中，DA-BSP 与标准 BSP 相比，在关联准确率和信念质量方面表现如何？
• RQ5 所提出的框架能否实现可扩展性，并应用于具有感知混淆的真实世界机器人导航任务？

主要发现

• DA-BSP 显著降低了模糊性和后验不确定性：在基础仿真中，DA-BSP 规划器在消歧动作 $fwd_2$ 上实现了 1.00 的数据关联准确率（η_da），而 $fwd_1$ 为 0.18，$bwd_1$ 为 0.08。
• 与标准 BSP 相比，DA-BSP 规划器选择的动作使信念模糊性降低了 90%（以 KL_u 衡量），其最坏情况协方差（Worst-Cov）为 0.66，而 BSP 为 5.36。
• 在真实世界的多楼层场景中，DA-BSP 成功规划出一条能消歧楼层身份的路径，而标准 BSP 因信念模式等概率分布而失败。
• 由于有效的剪枝，信念模式数量保持可控（$fwd_2$ 推理时为 2 个模式），证明了即使在混合成分理论上呈指数增长的情况下，该方法仍具可扩展性。
• 规划器在 $fwd_2$ 上的代价为 -166.03（表明不确定性与代价之间存在有利权衡），而次优动作 $bwd_1$ 的代价为 6571.29，凸显了规划器避免劣质决策的能力。
• 该框架在使用 Pione er 机器人的真实世界部署中表现出鲁棒性，成功解决了三楼层混淆环境中的模糊性问题，而标准 BSP 则失败。