Adaptive Robotic Information Gathering via Non-Stationary Gaussian Processes

要約

ロボット情報収集（RIG）は、ロボット（チーム）が未知のターゲット機能の正確なモデルを効率的に構築するために、ロボット具現化制約の下で情報データを収集する方法に答える基礎的な研究テーマである。RIGは、自律的な探査やマッピング、3D再構成や検査、捜索や救助、環境モニタリングなど、多くの用途がありますが、これらに限定されません。RIGシステムは、確率的モデルの予測の不確実性を利用して、有益なデータ収集のための重要な領域を特定します。定常カーネルを持つガウス過程（GP）は、空間モデリングに広く採用されている。しかし、現実の空間データは通常、非定常であり、異なる場所が同じ程度の変動を持つことはない。その結果、予測の不確実性は予測誤差を正確に明らかにすることができず、RIGアルゴリズムの成功は制限される。このカーネルはシンプルで堅牢であり、既存のカーネルを非定常カーネルに拡張することができる。この新しいカーネルを標高マッピングタスクで評価したところ、AKは一般的に使用されている定常カーネルや主要な非定常カーネルよりも優れた精度と不確かさの定量化を提供した。不確実性の定量化が改善されたことにより、下流の情報提供プランナーは、高エラー領域周辺でより価値のあるデータを収集するように導かれ、予測精度がさらに向上する。フィールド実験では、提案手法が、空間的な変化が大きい場所でデータ収集の優先順位をつけるよう自律走行車（ASV）を誘導し、モデルが顕著な環境特徴を特徴付けることを可能にすることが実証された。

要約(オリジナル)

Robotic Information Gathering (RIG) is a foundational research topic that answers how a robot (team) collects informative data to efficiently build an accurate model of an unknown target function under robot embodiment constraints. RIG has many applications, including but not limited to autonomous exploration and mapping, 3D reconstruction or inspection, search and rescue, and environmental monitoring. A RIG system relies on a probabilistic model’s prediction uncertainty to identify critical areas for informative data collection. Gaussian Processes (GPs) with stationary kernels have been widely adopted for spatial modeling. However, real-world spatial data is typically non-stationary — different locations do not have the same degree of variability. As a result, the prediction uncertainty does not accurately reveal prediction error, limiting the success of RIG algorithms. We propose a family of non-stationary kernels named Attentive Kernel (AK), which is simple, robust, and can extend any existing kernel to a non-stationary one. We evaluate the new kernel in elevation mapping tasks, where AK provides better accuracy and uncertainty quantification over the commonly used stationary kernels and the leading non-stationary kernels. The improved uncertainty quantification guides the downstream informative planner to collect more valuable data around the high-error area, further increasing prediction accuracy. A field experiment demonstrates that the proposed method can guide an Autonomous Surface Vehicle (ASV) to prioritize data collection in locations with significant spatial variations, enabling the model to characterize salient environmental features.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL