Table of Contents

Comprendre le SLAM actif et le gain d'information

La localisation et la cartographie simultanées actives (SLAM active) étudie le problème combiné de SLAM en décidant où se déplacer pour construire la carte le plus efficacement possible. Contrairement aux approches traditionnelles de SLAM où les robots recueillent passivement des données de capteurs, la technologie Active SLAM permet à un robot de planifier de façon autonome ses mouvements pour construire une carte complète et précise de son environnement.

Au cœur de la planification active de SLAM se trouve le concept de gain d'information, un cadre mathématique permettant de quantifier la quantité de nouvelles connaissances qu'un robot peut acquérir en prenant des actions spécifiques. Le gain d'information est défini comme une réduction de l'entropie uniquement sur les variables représentant des fonctionnalités.

Le défi fondamental de la SLAM active consiste à équilibrer deux objectifs concurrents : l'exploration (découverte de nouvelles zones de l'environnement) et l'exploitation (raffinement des connaissances des zones déjà observées).La planification de la trajectoire en général doit se trouver en équilibre entre l'exploration (ce qui réduit l'incertitude de la carte) et l'exploitation (ce qui réduit l'incertitude de la pose du robot).

La Fondation mathématique : Entropie et incertitude

Pour comprendre le calcul de gain d'information dans SLAM actif, il faut d'abord comprendre l'entropie, mesure fondamentale de l'incertitude dans la théorie de l'information. L'entropie Shannon est une mesure de l'incertitude dans une variable aléatoire x donc largement utilisée comme métrique d'information.

Pour une variable aléatoire discrète avec distribution de probabilité p(x), l'entropie Shannon est définie comme la valeur attendue du logarithme négatif de la probabilité. L'entropie plus élevée indique une plus grande incertitude, tandis que l'entropie plus faible indique une plus grande certitude sur l'état du système. Dans les applications SLAM, nous traitons généralement des espaces d'état continu, nécessitant une intégration plutôt que la somme, mais le concept fondamental reste le même : l'entropie mesure la répartition de notre croyance ou l'incertitude.

En SLAM actif, nous nous intéressons particulièrement à l'entropie conjointe de la trajectoire du robot et de la carte. En supposant l'incertitude de la pose et de la carte sont indépendantes, l'entropie conjointe peut être calculée comme une somme de deux entropies : l'entropie de la pose du robot et l'entropie de la carte.

Au-delà de l'entropie Shannon : Autres méthodes d'information

Bien que l'entropie Shannon soit la mesure la plus couramment utilisée, les chercheurs ont exploré diverses autres mesures d'information théorique pour la SLAM active. La fonction de récompense peut être formulée comme le gain défini par une mesure information théorique, comme l'information Fisher, l'entropie, la divergence Kullback–Leibler (KL), etc. Chaque mesure a des propriétés et des caractéristiques de calcul différentes qui la rendent adaptée à différents scénarios.

La divergence Rennyi entre deux densités est utilisée avec un paramètre qui détermine la mesure dans laquelle nous mettons l'accent sur les queues de deux distributions dans la métrique, et dans des cas particuliers devient respectivement la divergence Kullback-Leibler et l'affinité Hellinger. Le choix de la métrique d'information peut avoir une incidence significative à la fois sur l'efficacité computationnelle et sur la qualité de la stratégie d'exploration résultante.

D'autres mesures d'information dans un cadre similaire, comme l'information mutuelle quadratique Cauchy-Schwarz, le critère d'optimisation D et la divergence Kullback-Leibler, ont également été proposées récemment. Ces mesures offrent différents compromis entre la complexité des calculs et la capacité de saisir divers aspects de l'incertitude dans le problème SLAM.

L'information mutuelle : le cœur de l'acquisition de l'information

La formulation la plus répandue de l'acquisition d'informations dans le SLAM actif est basée sur des informations mutuelles. La fonction d'utilité est connue sous le nom d'information mutuelle (IM) et est définie comme la différence entre l'entropie de l'état réel et l'entropie attendue après exécution d'une action, c'est-à-dire le gain d'informations.

Les informations mutuelles quantifient la quantité d'informations qu'une variable aléatoire contient sur une autre. Dans le contexte de SLAM actif, nous nous intéressons aux informations mutuelles entre les mesures de capteurs potentiels et les variables d'état inconnues (poses de robots et caractéristiques de carte).Ces approches visent à maximiser l'information mutuelle (IM) entre les actions du robot et les mises à jour de cartes environnementales, réduisant ainsi l'entropie de la carte et réduisant l'incertitude environnementale.

L'avantage principal de la formulation de l'information mutuelle est qu'elle tient naturellement compte de la valeur attendue sur toutes les mesures possibles des capteurs. Plutôt que d'assumer un seul résultat déterministe, l'information mutuelle tient compte de la distribution de probabilités par rapport aux observations possibles et pondère chaque résultat par sa probabilité.

Informations mutuelles sémantiques et géométriques

Zhang et al. ont proposé une méthode pour le calcul efficace des informations mutuelles Shannon pour évaluer les gains potentiels d'information provenant de différentes actions de détection, améliorant ainsi l'efficacité de la cartographie. Cela permet aux robots de se demander non seulement la structure spatiale mais aussi les catégories d'objets et la compréhension de la scène.

Une approche SLAM métrique-sémantique active combine l'information sémantique mutuelle avec les paramètres de connectivité du graphique de pose sous-jacent pour sélectionner une stratégie pendant l'exploration. En intégrant l'information sémantique, les robots peuvent prendre des décisions plus intelligentes sur les domaines à explorer en fonction des catégories d'objets pertinentes aux tâches, et pas seulement l'incertitude géométrique.

Cadre de calcul pour le calcul du gain en information

Pour calculer l'acquisition d'information dans la pratique, il faut un cadre de calcul qui permet de prévoir les futures mesures des capteurs, de mettre à jour les états de croyance et de calculer les changements d'entropie.

Étape 1: Générer des actions candidates

La première étape du calcul de l'acquisition d'information consiste à générer un ensemble d'actions ou de trajectoires que le robot pourrait exécuter.Ces candidats représentent généralement différentes directions de mouvement, points de vue ou stratégies d'exploration.Le processus de génération des candidats doit équilibrer la couverture de l'espace d'action avec la facilité de calcul – évaluer trop de candidats devient prohibitif, alors que trop peu peuvent manquer des possibilités optimales.

Les approches communes comprennent des méthodes basées sur l'échantillonnage qui génèrent des trajectoires aléatoires ou semi-aléatoires, des méthodes basées sur les frontières qui identifient les frontières entre les régions connues et inconnues, et des méthodes basées sur l'optimisation qui cherchent des actions optimales localement.Une technique largement utilisée est de diviser le problème en étapes et d'optimiser un point d'objectif à chaque étape.

Étape 2: Prévoir les mesures du capteur

Pour chaque action candidate, le robot doit prévoir les mesures de capteur qu'il recevrait probablement si il exécute cette action. Cette prédiction nécessite un modèle de capteur qui décrit comment les capteurs du robot réagissent aux caractéristiques environnementales. La probabilité qu'un rayon de coulée frappe un objet à une cellule de grille d'occupation est proportionnelle à sa probabilité d'occupation.

Le processus de prédiction doit tenir compte de plusieurs sources d'incertitude : l'incertitude dans la position future du robot après l'exécution de l'action, l'incertitude dans la carte actuelle et le bruit du capteur. Plutôt que de prévoir une seule mesure déterministe, le système calcule généralement une distribution de probabilité sur des mesures possibles.

Pour les cartes de grille d'occupation, il faut effectuer une projection de rayons à travers la grille pour déterminer quelles cellules seraient observées et avec quelle probabilité elles semblent occupées ou libres. Pour les cartes basées sur les caractéristiques, il faut prévoir quels repères seraient visibles du point de vue du candidat et quelles seraient leurs positions mesurées, en tenant compte de l'incertitude liée au bruit de mesure et à l'association des données.

Étape 3 : Mise à jour et propagation de l'État de la croyance

Une fois les mesures potentielles prévues, l'étape suivante consiste à simuler la façon dont l'état de croyance serait mis à jour si ces mesures étaient reçues. L'état de croyance représente la connaissance probabiliste du robot sur sa pose et la carte. Dans les systèmes SLAM à base de filtre, il s'agit généralement d'une distribution de probabilité (Gaussian pour les filtres Kalman étendus, ensemble de particules pour filtres à particules).

Le filtre à particules Rao-Blackwellized (RBPF) est utilisé pour représenter l'état du robot et la carte, puis pour examiner l'informalité des actions en fonction du gain d'information attendu. L'approche RBPF est particulièrement populaire car elle peut représenter des distributions multimodales et gérer des incertitudes non gaussiennes qui se posent dans SLAM.

Le processus de mise à jour des croyances applique la règle de Bayes pour intégrer les mesures prévues. Pour chaque résultat de mesure possible, le système calcule la croyance postérieure qui résulterait de l'observation de cette mesure. Cela nécessite d'évaluer la probabilité de mesure (comment cette observation est-elle probable compte tenu de la croyance actuelle) et de la combiner avec la croyance antérieure pour produire l'après-jour.

Étape 4: Entropie informatique avant et après

Avec les états de croyance antérieurs et postérieurs en main, le système peut maintenant calculer l'entropie de chacun. L'entropie antérieure représente l'incertitude actuelle avant de prendre l'action, tandis que l'entropie postérieure représente l'incertitude attendue après avoir reçu les mesures. La différence entre ces deux quantités est le gain d'information.

Pour les distributions gaussiennes, l'entropie a une expression de forme fermée impliquant le déterminant de la matrice de covariance. Pour les représentations de particules, l'entropie doit être estimée à partir de la distribution de particules, souvent à l'aide d'estimations de densité du noyau ou de méthodes basées sur l'histogramme.

Une subtilité critique est que nous devons calculer l'entropie postérieure attendue, en calculant la moyenne de tous les résultats de mesure possibles pondérés par leur probabilité.Cette attente rend le calcul de l'information mutuelle difficile par calcul — nous devons considérer de nombreux futurs possibles et les peser de façon appropriée.

Étape 5 : Sélection d'action basée sur un gain maximal d'information

Après avoir calculé le gain d'information pour toutes les actions candidates, la dernière étape consiste à sélectionner l'action qui maximise ce gain (ou optimise une combinaison de gain d'information et d'autres objectifs comme le coût du voyage).Chaque itération d'exploration priorise les actions avec le gain d'information le plus potentiel.

Certains systèmes comportent d'autres facteurs qui dépassent le simple gain d'information, comme le coût de l'exécution de l'action (la distance de déplacement, la consommation d'énergie, le temps), le risque de collision ou des objectifs spécifiques à la tâche.

Approches pratiques de mise en œuvre

Bien que le cadre théorique pour le calcul des gains d'information soit bien établi, la mise en oeuvre pratique exige de relever plusieurs défis informatiques et algorithmiques.

Mise en œuvre de SLAM par filtres

Dans le filtre Kalman étendu (EKF), l'état de croyance est représenté comme une distribution gaussienne multivariée avec une matrice vectorielle et covariance moyenne. L'entropie de cette distribution peut être calculée directement à partir de la matrice de covariance, rendant les calculs entropie relativement simples. Cependant, EKF-SLAM s'écaille mal à de grands environnements en raison de la croissance quadratique de la matrice de covariance.

Une fonction d'utilité pour les systèmes SLAM à filtre à particules Rao-Blackwellized est une somme linéaire de l'entropie des poses du robot et de l'entropie attendue des cartes possibles associées à chaque particule. Cette factorisation exploite la structure d'indépendance conditionnelle du problème SLAM pour rendre le calcul plus facile à traiter.

Les applications de filtres à particules sont confrontées au défi d'estimer l'entropie à partir d'une représentation discrète des particules. Les approches courantes comprennent le calcul de la covariance de l'échantillon des particules (en supposant une gaussianité approximative) ou l'utilisation d'estimateurs entropiques non paramétriques basés sur des distances voisines ou une estimation de la densité du noyau.

Mise en œuvre de SLAM par graphe

La plupart des implémentations utilisent le slam-graphe de pose (68,7%) par rapport au slam à base de filtre (32%), et cette préférence pour le slam-graphe par rapport au filtre est fortement encouragée car le slam-graphe présente de nombreux avantages.

Dans les systèmes basés sur des graphiques, le calcul des gains d'information consiste généralement à prédire comment de nouvelles mesures ajouteraient des facteurs au graphique et comment ces facteurs affecteraient l'incertitude dans la solution optimisée. Le TFG utilise des modèles graphiques, qui utilisent des indépendances entre variables, et permet une quantification unifiée des gains d'exploration et d'exploitation avec une seule entropie.

L'analyse de la covariance postérieure après l'ajout de nouveaux facteurs nécessite soit l'optimisation totale du graphique (expensive) soit l'utilisation d'approximations basées sur la structure du graphique.

Mise en œuvre de la grille d'occupation

Les cartes de grille d'occupation discrétent l'environnement en cellules, chacune avec une probabilité d'occupation. Il n'y a que deux états dans chaque grille, c'est-à-dire inoccupés ou occupés, de sorte que l'entropie d'information dans cet article est définie comme une fonction de la probabilité d'occupation.

Le calcul de la gain d'information dans les grilles d'occupation consiste à prédire quelles cellules seraient observées du point de vue du candidat et comment leurs probabilités d'occupation seraient mises à jour. La carte de l'entropie de l'information est continuellement mise à jour avec la valeur de l'entropie lissée, et un coefficient mis à jour détermine les poids de mise à jour de l'entropie réelle et des observations.

L'avantage de calcul des grilles d'occupation est que les calculs entropiques sont locaux à des cellules individuelles et peuvent être calculés efficacement. Cependant, ils s'échellent mal à de grands environnements 3D et ne représentent pas naturellement la structure topologique ou les fermetures de boucles.

Techniques avancées et optimisations

À mesure que SLAM est en activité, les chercheurs ont développé de nombreuses techniques pour améliorer l'efficacité et l'efficience des calculs de gain d'information. Ces optimisations sont essentielles pour une exploitation en temps réel dans des environnements complexes.

Gain d'information ciblé

Au lieu de calculer l'entropie sur toutes les variables d'état, l'information ciblée ne prend en compte qu'un sous-ensemble de variables pertinentes à la tâche actuelle. L'information est définie comme une réduction de l'entropie uniquement sur les variables représentant des caractéristiques.

Le gain d'information sur un point de but peut être divisé en deux parties : la première partie est le gain d'information obtenu en observant et en améliorant les caractéristiques connues, et la seconde est le gain d'information découlant de l'exploration de nouvelles caractéristiques. Cette décomposition permet au planificateur de raisonner explicitement sur le compromis exploration-exploitation et de répartir l'effort de manière appropriée.

Planification hiérarchique et multi-échelle

Pour gérer des environnements à grande échelle, de nombreux systèmes utilisent des stratégies de planification hiérarchique qui fonctionnent à plusieurs échelles spatiales et temporelles. Un système SLAM sémantique actif hiérarchique basé sur la théorie de l'information dispose d'un module pour trouver le Next-Best-View (NBV) global pour le robot, et peut générer une carte de probabilité de fonctionnalité (FPM) basée sur l'entrée d'image actuelle et choisir le NBV local.

Les approches hiérarchiques peuvent planifier des stratégies d'exploration à long terme à un niveau grossier tout en utilisant des calculs détaillés de gains d'information pour les décisions locales. Ce raisonnement à plusieurs échelles améliore à la fois l'efficacité de calcul et la qualité du plan en évitant les décisions myopiques qui optimisent le gain d'information locale au détriment de l'efficacité globale de l'exploration.

Rapprochements et limites

Le calcul exact du gain d'information est souvent intractable, ce qui conduit les chercheurs à développer diverses approximations et limites. Une métrique entropie basée sur l'approximation laplacienne calcule une quantification unifiée des gains d'exploration et d'exploitation.

Les méthodes d'échantillonnage qui permettent d'estimer le gain d'information provenant d'un ensemble fini d'échantillons de mesure, plutôt que de s'intégrer à la distribution complète de la mesure, sont également des approximations.

Théorie de la conception expérimentale optimale

Une alternative aux mesures basées sur l'entropie vient de la théorie de la conception expérimentale optimale (TOED), qui met l'accent sur la réduction de la covariance des estimations d'état. TOED essaie de quantifier l'incertitude directement dans l'espace de tâche de la variance des variables d'intérêt, et contrairement aux mesures théoriques de l'information qui ciblent les probabilités binaires dans la carte de grille, les mesures axées sur la tâche s'appliquent aux variables gaussiennes.

Plusieurs fonctions, appelées critères d'optimalité, ont été proposées, comme la trace (appelée initialement «A-optimalité»), sa valeur maximale/minimum eigen (E-optimalité) ou le déterminant (D-optimalité), qui offrent différentes façons d'agréger l'incertitude multidimensionnelle en un objectif scalaire qui peut être optimisé.

L'optimalité D, qui minimise le déterminant de la matrice de covariance, est étroitement liée à la minimisation de l'entropie pour les distributions gaussiennes. L'optimalité A minimise la trace de la matrice de covariance, ce qui permet de minimiser la variance moyenne dans toutes les dimensions. Le choix entre ces critères dépend de la priorité accordée à l'incertitude globale (optimalité D) ou à l'incertitude la plus défavorable dans toutes les dimensions (optimalité E).

Défis et considérations informatiques

Malgré des progrès importants, le calcul de l'acquisition d'information pour les SLAM actifs demeure difficile à calculer, en particulier dans les environnements à grande échelle ou complexes.

La malédiction de la dimensionnalité

La dimensionnalité de l'espace d'état augmente de façon spectaculaire à mesure que la taille de l'environnement et le nombre de caractéristiques augmentent. L'entropie informatique sur les distributions à haute dimension devient de plus en plus difficile, tant en termes de représentation (stockage de la distribution) que de calcul (évaluation des intégrales ou des attentes).

La mise en œuvre pratique est confrontée à des défis, notamment l'insolabilité des solutions optimales et l'augmentation des demandes de calcul dans des zones d'exploration plus vastes.

Modélisation des observations futures

Les contrôles de planification nécessiteront la modélisation des observations futures et la prise en compte de tous les résultats possibles, qui sont généralement inextricables. L'espace d'observations possibles augmente de façon exponentielle avec l'horizon de planification, ce qui rend impossible d'énumérer toutes les possibilités de planification à long terme.

La plupart des systèmes pratiques s'attaquent à cette situation en limitant l'horizon de planification (en ne considérant qu'une ou quelques étapes à venir), en utilisant l'échantillonnage pour approximer la distribution par rapport aux observations ou en utilisant la planification de recul-horizon, où le robot replanifie fréquemment à partir de nouvelles informations.

Incertitude de l'association de données

L'association des données, qui détermine les mesures des capteurs qui correspondent aux caractéristiques de la carte, constitue un défi fondamental dans le cadre du SLAM. Cette incertitude complique considérablement le calcul des gains d'information, car le contenu d'une mesure dépend de la question de savoir si elle correspond à une caractéristique connue (exploitation) ou à une nouvelle caractéristique (exploration).

Les calculs de gains d'information robustes doivent tenir compte de l'incertitude liée aux associations de données, généralement en marginalisant les associations possibles pondérées par leur probabilité.

Contraintes en temps réel

Pour que la SLAM active soit utile en pratique, la planification doit se faire en temps réel ou quasi-réel. Le robot ne peut pas se permettre de passer des minutes à calculer l'action suivante optimale pendant que l'environnement change ou les opportunités sont manquées.

Les stratégies communes pour répondre aux contraintes en temps réel comprennent : la limitation du nombre d'actions candidates évaluées, l'utilisation d'approximations rapides pour obtenir de l'information, la mise en cache et la réutilisation des calculs à travers les cycles de planification, et la parallélisation des calculs entre plusieurs processeurs ou processeurs GPU.

SLAM actif multi-robot

L'extension de la SLAM active aux systèmes multirobots introduit une complexité supplémentaire mais aussi des possibilités d'exploration plus efficace. Les systèmes multirobots (MRS) offrent des avantages distincts dans l'exploration à grande échelle, mais nécessitent un couplage étroit entre la prise de décision décentralisée et l'estimation collaborative, modélisé comme un système couplé comprenant une couche décisionnelle Markov partiellement observable décentralisée (Dec-POMDP) et une couche d'estimation factorielle répartie.

Gain d'information en collaboration

Dans les scénarios multi-robots, le gain d'information doit tenir compte de la connaissance collective de tous les robots et de la façon dont leurs actions se complètent. Le défi fondamental de la perception collaborative est de sélectionner et de partager les observations les plus informatives sous des contraintes de bande passante strictes pour maximiser le gain d'information pour la carte globale, où l'information mutuelle entre les observations partagées et la carte quantifie le gain d'information.

Les robots doivent coordonner leur exploration pour éviter les chevauchements inutiles tout en assurant un chevauchement suffisant pour la détection de la fermeture des boucles et la fusion des cartes.Cette coordination peut être réalisée par une planification centralisée (un planificateur unique assigne des objectifs à tous les robots), une planification décentralisée (chaque robot planifie de façon indépendante avec une communication limitée) ou des approches hybrides.

Contraintes de communication et de largeur de bande

Les robots ne peuvent pas partager en permanence leurs cartes complètes et les états de croyance, nécessitant un partage sélectif de l'information. À chaque itération, les robots acquièrent d'abord des observations et partagent sélectivement des fonctionnalités informatives, et les données partagées sont fusionnées via l'optimisation distribuée pour mettre à jour l'état de croyance.

Les approches information-théoriques peuvent également guider les décisions de communication, en choisissant les données à partager en fonction de la valeur d'information attendue pour d'autres robots. Cela crée un problème d'optimisation imbriqué où les robots doivent raisonner sur le lieu de déplacement et ce qu'il faut communiquer.

Approches axées sur l'apprentissage pour l'acquisition de l'information

Les progrès récents dans l'apprentissage automatique, en particulier l'apprentissage en profondeur, ont ouvert de nouvelles voies pour la planification active de la SLAM. DRL a progressivement gagné en popularité, et la capacité d'adaptation de la DRL en fait un candidat propice pour s'attaquer au problème de la SLAM active, comme contrairement aux méthodes traditionnelles qui nécessitent un modèle prédéfini de l'environnement, DRL permet aux robots d'apprendre dynamiquement des politiques optimales par l'interaction avec l'environnement.

Apprendre à prédire l'acquisition de l'information

Une méthode active d'exploration SLAM forme un GP pour prédire le gain maximal d'information sous contrôle et utiliser l'optimisation bayésienne pour obtenir la meilleure cible d'exploration. En apprenant de l'expérience, le système peut rapidement estimer le gain d'information sans calcul explicite, permettant une planification plus rapide.

Les réseaux neuraux peuvent être formés pour prédire les gains d'information provenant des observations locales et des caractéristiques cartographiques, les schémas d'apprentissage sur quels types d'actions ont tendance à être informatifs dans quelles situations.

Apprentissage de bout en bout des politiques d'exploration

Une autre approche utilise l'apprentissage du renforcement pour apprendre directement des politiques d'exploration qui maximisent le gain d'information à long terme, sans calculer explicitement les mesures théoriques de l'information.

Ces politiques apprises peuvent saisir des modèles complexes d'exploration efficace qui sont difficiles à coder dans les formules de gain d'information analytique. Cependant, elles nécessitent des données de formation substantielles et peuvent ne pas se généraliser bien à des environnements sensiblement différents de la distribution de la formation.

Applications et déploiements dans le monde réel

SLAM actif basé sur le gain d'information a été déployé avec succès dans de nombreuses applications réelles, démontrant sa valeur pratique au-delà de l'intérêt théorique.

Exploration et cartographie autonomes

Les robots équipés de SLAM actifs peuvent cartographier efficacement les bâtiments, les grottes, les sites de catastrophe ou les surfaces planétaires sans guidage humain. Les résultats de simulation comparés à l'exploration traditionnelle à la carte de grille montrent une réduction significative des erreurs de position, d'orientation et d'exploration.

Les mesures de l'acquisition de l'information garantissent que l'exploration est systématique et efficace, en évitant toute couverture redondante tout en assurant une cartographie complète, ce qui est particulièrement utile dans les environnements dangereux où l'exploration humaine est dangereuse ou impossible.

Robotique de recherche et sauvetage

Dans les scénarios d'intervention en cas de catastrophe, les robots doivent rapidement explorer les structures endommagées pour localiser les survivants tout en construisant des cartes pour les équipes de sauvetage. La planification fondée sur les gains d'information aide les robots à prioriser les zones susceptibles de contenir des informations importantes (emplacements potentiels de survivants) tout en maintenant la précision de localisation dans les environnements déconseillés par GPS.

La capacité d'équilibrer exploration et exploitation est essentielle ici – le robot doit explorer de nouvelles zones pour trouver des survivants, mais aussi revoir les zones connues pour maintenir une localisation précise pour signaler les positions de survivants.

Entrepôt et automatisation industrielle

Les robots mobiles autonomes dans les entrepôts et les usines utilisent SLAM actif pour naviguer et mettre à jour les cartes au fur et à mesure que l'environnement change.

L'accent est souvent mis sur une cartographie initiale rapide suivie d'un affinement continu, les données étant des indicateurs de gain d'information qui guident la transition entre ces phases.

Véhicules autonomes

Les voitures autoconduites utilisent le SLAM pour la localisation dans les zones dérobées par GPS (tunnels, canyons urbains) et pour la construction de cartes haute définition.

Les calculs de gain d'information aident les véhicules à décider quand s'écarter des itinéraires prévus pour recueillir de l'information sur les conditions routières modifiées ou sur les nouvelles constructions, en conciliant les objectifs de cartographie et les objectifs de transport.

Orientations futures et défis à relever

Malgré des progrès importants, plusieurs défis importants et possibilités demeurent dans le calcul des gains d'information pour les SLAM actifs.

Environnements dynamiques

La plupart des algorithmes SLAM existants ne sont pas robustes dans les environnements dynamiques, car les objets mobiles peuvent avoir un impact négatif sur la précision de la cartographie et de la localisation, ce qui rend difficile pour le robot de suivre et de comprendre pleinement son environnement.

Une planification de mouvement adéquate est essentielle pour que SLAM sémantique actif dans des environnements dynamiques assure une performance robuste. Les systèmes futurs doivent tenir compte de la valeur d'information des observations à différents moments, en tenant compte de la prévisibilité et de l'importance des éléments dynamiques.

Planification à long terme

La plupart des systèmes actuels utilisent une planification cupide ou à courte échéance, en choisissant des actions qui maximisent le gain immédiat d'information. La mise en œuvre actuelle de DRL dans Active SLAM se concentre principalement sur l'enseignement des robots pour exécuter des actions en une seule étape, souvent en négligeant l'élaboration de stratégies de planification à long terme, et les robots peuvent passer un temps disproportionné à délibérer sur les décisions plutôt que d'exécuter des actions, et il y a une absence notable de stratégies visant à optimiser la longueur du chemin.

L'élaboration de méthodes ajustables pour la planification théorique de l'information de longue date demeure un problème important. Les approches hiérarchiques et les fonctions de valeur apprises sont prometteuses mais nécessitent un développement plus poussé.

Information sémantique et axée sur les tâches

Les planificateurs de l'information-théorique utilisent des octres bayesiens de plusieurs classes avec des informations mutuelles Shannon pour choisir des points de vue qui réduisent l'incertitude géométrique et sémantique. L'extension des calculs de gain d'information pour intégrer la sémantique, les moyens et les informations pertinentes aux tâches demeure un domaine de recherche actif.

Les systèmes futurs devraient tenir compte de la valeur des observations en termes d'achèvement des tâches, et non pas seulement de la précision de la cartographie, ce qui exige l'intégration de la SLAM active à la planification et au raisonnement des tâches de niveau supérieur.

Échelle de l'environnement pour les grands espaces

Comme les robots sont déployés dans des environnements de plus en plus grands – bâtiments entiers, blocs urbains ou paysages naturels – l'évolutivité des calculs de gain d'information devient critique. Les représentations hiérarchiques, les calculs distribués et les méthodes d'approximation doivent être développés plus avant pour gérer ces échelles tout en maintenant les performances en temps réel.

Lignes directrices pratiques pour la mise en œuvre

Pour les praticiens qui mettent en oeuvre des SLAM actifs fondés sur les gains d'information, plusieurs lignes directrices pratiques peuvent contribuer à assurer le succès.

Choisir la bonne information métrique

Le choix de la mesure de l'information devrait être guidé par les exigences spécifiques de l'application et les contraintes de calcul. L'entropie Shannon et l'information mutuelle sont de bons choix par défaut pour l'exploration générale. L'optimisation D de TOED est appropriée lorsque l'état peut être bien approché comme Gaussian et l'efficacité computationnelle est importante.

Pour les cartes de grille d'occupation, l'entropie cellulaire est simple et efficace. Pour les cartes basées sur des fonctionnalités, les mesures basées sur la covariance ou les estimations de l'entropie de filtre à particules sont plus appropriées. La clé est de correspondre la métrique à la représentation de la carte et le budget de calcul.

Équilibrer l'exactitude et l'exactitude de l'établissement des calculs

Les praticiens devraient se concentrer sur les approximations qui saisissent les compromis essentiels tout en restant calculables. Les approximations basées sur l'échantillonnage, les approximations laplaciennes et les mesures d'information ciblées peuvent fournir une bonne performance avec un coût de calcul raisonnable.

Il est souvent plus important d'évaluer de nombreuses actions de candidats avec un gain d'information approximatif que d'évaluer parfaitement quelques candidats. Le système de planification devrait être conçu pour gracieusement, dégradant à une heuristique plus simple lorsque les ressources informatiques sont limitées.

Intégration avec le moteur SLAM

Le calcul du gain d'information doit être étroitement intégré au moteur SLAM pour accéder aux états de croyance actuels et prévoir efficacement les mises à jour. Le choix de l'algorithme SLAM (EKF, filtre à particules, optimisation des graphiques) influe de façon significative sur la façon dont le gain d'information doit être calculé.

Pour les filtres à particules, assurez-vous que les particules suffisent pour représenter avec précision la distribution des croyances pour l'estimation de l'entropie. Pour les grilles d'occupation, maintenez des structures de données efficaces pour la diffusion des rayons et le calcul de l'entropie.

Validation et essais

La validation des calculs de gain d'information est difficile car la vérité au sol est rarement disponible. Les approches de validation utiles comprennent : comparer le gain d'information prédit avec la réduction réelle de l'entropie après exécution des actions, tester en simulation avec des cartes de vérité au sol connues, et comparer différentes mesures d'information pour comprendre leur comportement.

Les mesures de rendement devraient comprendre non seulement la qualité finale de la carte, mais aussi l'efficacité de l'exploration (zone couverte par unité de temps ou de distance), la précision de la localisation tout au long de l'exploration et les performances de calcul (temps de planification, utilisation de la mémoire).

Conclusion

La planification active de la SLAM repose sur le calcul de l'acquisition de l'information, qui fournit un cadre de principe pour la sélection des actions qui réduisent efficacement l'incertitude quant à la position et à l'environnement du robot.

Bien que la théorie repose sur une théorie de l'information et une inférence bayésienne, la mise en oeuvre pratique exige une attention particulière à l'efficacité des calculs, aux méthodes d'approximation et à l'intégration avec les moteurs SLAM. Les différentes représentations cartographiques – grilles d'occupation, cartes de caractéristiques et représentations par graphe – exigent différentes approches informatiques, chacune avec des compromis distincts entre précision et efficacité.

Les progrès récents dans la planification hiérarchique, la SLAM sémantique, la coordination multirobots et les méthodes basées sur l'apprentissage ont considérablement élargi les capacités et l'applicabilité de la SLAM active basée sur le gain d'information.

Dans l'avenir, les principaux défis à relever sont l'élargissement des environnements, la gestion de scènes dynamiques, l'intégration d'informations sémantiques et pertinentes aux tâches, et l'élaboration de méthodes de planification à longue horizon.

Pour les praticiens, la réussite de la mise en œuvre de SLAM active basée sur le gain d'information dépend du choix des paramètres d'information appropriés pour l'application, l'équilibre des coûts de calcul avec la qualité de la planification, et l'intégration minutieuse de la planification avec le moteur SLAM.

La robotique continue de progresser et les robots sont déployés dans des applications toujours plus exigeantes, les principes de la planification information-théorique resteront au cœur de l'exploration et de la cartographie véritablement autonomes. Le domaine continue d'évoluer rapidement, avec de nouveaux algorithmes, représentations et applications qui émergent régulièrement, ce qui en fait un domaine passionnant pour la recherche et le développement pratique.

Ressources supplémentaires

Pour ceux qui souhaitent en savoir plus sur le calcul actif du SLAM et sur le gain d'information, plusieurs ressources fournissent des renseignements supplémentaires précieux.L'article [Wikipedia]]]]]]][FLT:[F][F][F