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) が情報データを収集し、ロボットの実施形態の制約の下で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方法に答える基礎的な研究トピックです。
RIG には、自律探査とマッピング、3D 再構築または検査、捜索救助、環境モニタリングなどを含むがこれらに限定されない多くの用途があります。
RIG システムは、確率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。
静止カーネルを使用したガウス過程 (GP) は、空間モデリングに広く採用されています。
ただし、現実世界の空間データは通常非定常であり、異なる場所の変動度は同じではありません。
その結果、予測の不確実性によって予測誤差が正確に明らかにされず、RIG アルゴリズムの成功が制限されます。
私たちは、Attentive Kernel (AK) という名前の非定常カーネル ファミリを提案します。これはシンプルで堅牢で、既存のカーネルを非定常カーネルに拡張できます。
標高マッピング タスクで新しいカーネルを評価します。AK は、一般的に使用される固定カーネルや主要な非固定カーネルよりも優れた精度と不確実性の定量化を提供します。
改善された不確実性の定量化により、下流の情報プランナーが高誤差領域周辺でより貴重なデータを収集できるようになり、予測精度がさらに向上します。
フィールド実験では、提案された方法が自律水上車両 (ASV) を誘導して、空間的変化が大きい場所でのデータ収集を優先し、モデルで顕著な環境特徴を特徴付けることができることを実証しました。

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, Google