Расчет информационного выигрыша при планировании активного шлема

Понимание активного SLAM и получения информации

Active Simultaneous Localization and Mapping (Active SLAM) изучает комбинированную проблему SLAM с принятием решения о том, куда двигаться дальше, чтобы построить карту максимально эффективно. В отличие от традиционных подходов SLAM, где роботы пассивно собирают данные датчиков, технология Active SLAM позволяет роботу автономно планировать свои движения для создания всеобъемлющей и точной карты своего окружения. Эта автономная способность принятия решений имеет решающее значение для приложений, начиная от ликвидации последствий стихийных бедствий и планетарного исследования до автоматизации склада и автономных транспортных средств.

В основе активного планирования SLAM лежит концепция информационного выигрыша — математическая основа для количественной оценки того, сколько новых знаний робот может получить, предпринимая конкретные действия. Информационный выигрыш определяется как уменьшение энтропии только на переменных, представляющих функции. Расчетом и максимизацией информационного выигрыша роботы могут разумно выбирать действия, которые уменьшают неопределенность как в отношении их собственного положения, так и структуры их среды, что приводит к более эффективному исследованию и более качественным картам.

Фундаментальная задача в активном SLAM заключается в балансировании двух конкурирующих целей: разведка (открытие новых областей окружающей среды) и эксплуатация (уточнение знаний о уже наблюдаемых областях). Планирование пути в целом должно сочетать разведку (что уменьшает неопределенность на карте) и эксплуатацию (что уменьшает неопределенность в позе робота). Информационно-теоретические показатели обеспечивают принципиальный способ ориентироваться в этом компромиссе путем количественной оценки ожидаемой стоимости различных действий с точки зрения снижения неопределенности.

Математический фундамент: энтропия и неопределенность

Чтобы понять расчет прироста информации в активном SLAM, мы должны сначала понять энтропию — фундаментальную меру неопределенности в теории информации. Энтропия Шеннона — мера неопределенности в случайной переменной x, поэтому широко используется в качестве информационной метрики. В контексте SLAM энтропия количественно определяет нашу неопределенность в отношении состояния робота (положение и ориентация) и карты окружающей среды.

Для дискретной случайной переменной с распределением вероятностей p(x) энтропия Шеннона определяется как ожидаемое значение отрицательного логарифма вероятности. Более высокая энтропия указывает на большую неопределенность, в то время как более низкая энтропия указывает на большую уверенность в состоянии системы. В приложениях SLAM мы обычно имеем дело с пространствами непрерывного состояния, требующими интеграции, а не суммирования, но фундаментальная концепция остается той же: энтропия измеряет, насколько рассредоточено или неопределенно наше распределение убеждений.

В активном SLAM нас особенно интересует совместная энтропия траектории робота и карты. Предполагая, что неопределенность в позе и карта независимы, совместная энтропия может быть вычислена как сумма двух энтропий: энтропия позы робота и энтропия карты. Однако это предположение независимости часто является упрощением, и более сложные подходы объясняют связь между локализацией и картографической неопределенностью.

За пределами энтропии Шеннона: альтернативные информационные метрики

В то время как энтропия Шеннона является наиболее часто используемой метрической, исследователи изучили различные альтернативные информационно-теоретические меры для активного SLAM. Функция вознаграждения может быть сформулирована как усиление, определяемое информационно-теоретической мерой, такой как информация Фишера, энтропия, дивергенция Куллбэка-Лейблера (KL) и т. Д. Каждая метрика имеет различные свойства и вычислительные характеристики, которые делают ее пригодной для различных сценариев.

Расхождение Реньи между двумя плотностями используется с параметром, который определяет, насколько мы подчеркиваем хвосты двух распределений в метрике, и в особых случаях становится расхождением Куллбэка-Лейблера и сродством Хеллингера, соответственно.Выбор метрики информации может существенно повлиять как на вычислительную эффективность, так и на качество полученной стратегии разведки.

В последнее время были предложены и другие информационные метрики в аналогичной структуре, такие как квадратичная взаимная информация Коши-Шварца, критерий D-оптимальности и расхождение Кулбэка-Лейблера, которые предлагают различные компромиссы между вычислительной сложностью и способностью фиксировать различные аспекты неопределенности в проблеме SLAM.

Взаимная информация: ядро получения информации

Наиболее широко используемая формулировка информационного усиления в активном SLAM основана на взаимной информации. Функция полезности известна как взаимная информация (MI) и определяется как разница между энтропией фактического состояния и ожидаемой энтропией после выполнения действия, т.е. информационного усиления. Эта формулировка фиксирует ожидаемое снижение неопределенности, которое будет результатом принятия конкретного действия и получения соответствующих измерений датчика.

Математически взаимная информация количественно определяет количество информации, которую одна случайная переменная содержит о другой. В контексте активного SLAM нас интересует взаимная информация между потенциальными измерениями датчиков и неизвестными переменными состояния (поза робота и особенности карты). Эти подходы направлены на максимизацию взаимной информации (MI) между действиями робота и обновлениями карты окружающей среды, тем самым минимизируя энтропию карты и уменьшая неопределенность окружающей среды.

Ключевым преимуществом формулирования взаимной информации является то, что она, естественно, учитывает ожидаемую величину по всем возможным измерениям датчиков. Вместо того, чтобы предполагать единый детерминированный результат, взаимная информация рассматривает распределение вероятностей по возможным наблюдениям и взвешивает каждый результат по его вероятности. Это вероятностное лечение имеет важное значение для надежного планирования в условиях неопределенности.

Семантическая и геометрическая взаимная информация

Последние достижения в области активного SLAM расширили взаимные информационные вычисления, чтобы включить семантическую информацию наряду с геометрическими данными. Чжан и др. предложили метод эффективного вычисления взаимной информации Шеннона для оценки потенциального информационного выигрыша от различных действий зондирования, тем самым повышая эффективность картирования. Это позволяет роботам рассуждать не только о пространственной структуре, но и о категориях объектов и понимании сцены.

Активный метрико-семантический подход SLAM сочетает в себе семантические взаимные данные с показателями связи лежащего в основе графа поз для выбора стратегии во время исследования. Включая семантические данные, роботы могут принимать более разумные решения о том, какие области исследовать на основе категорий объектов, связанных с задачами, а не только геометрической неопределенности.

Вычислительная структура для расчета информационного выигрыша

Расчет получения информации на практике требует вычислительной основы, которая может предсказать будущие измерения датчиков, обновить состояния убеждений и изменить вычислительную энтропию.Общий процесс включает в себя несколько взаимосвязанных шагов, которые должны быть выполнены эффективно, чтобы обеспечить планирование в реальном времени.

Шаг 1: Создание действий кандидата

Первый шаг в расчете прироста информации заключается в создании набора действий или траекторий кандидата, которые робот может выполнить. Эти кандидаты обычно представляют различные направления движения, точки зрения или стратегии исследования. Процесс генерации кандидата должен сбалансировать охват пространства действия с вычислительной тягостностью - оценка слишком большого количества кандидатов становится чрезмерно дорогостоящей, в то время как слишком мало может упустить оптимальные возможности.

Общие подходы включают методы, основанные на выборке, которые генерируют случайные или полуслучайные траектории кандидатов, методы, основанные на границах между известными и неизвестными регионами, и методы, основанные на оптимизации, которые ищут локально оптимальные действия. Широко используемый метод заключается в разделении проблемы на стадии и оптимизации точки цели на каждом этапе. Этот последовательный подход к оптимизации делает проблему более управляемой, сохраняя при этом основные компромиссы.

Шаг 2: Предсказание измерений датчиков

Для каждого действия кандидата робот должен предсказать, какие измерения датчика он, вероятно, получит, если выполнит это действие. Для этого прогноза требуется модель датчика, которая описывает, как датчики робота реагируют на экологические особенности. Вероятность попадания литого луча на объект в ячейке сетки заполняемости пропорциональна его вероятности заполнения.

Процесс прогнозирования должен учитывать несколько источников неопределенности: неопределенность в будущем положении робота после выполнения действия, неопределенность в текущей карте и шум датчика. Вместо прогнозирования одного детерминированного измерения система обычно вычисляет распределение вероятностей по возможным измерениям. Это распределение фиксирует все пути, которыми неопределенность в состоянии и карта распространяются до неопределенности в наблюдениях.

Для карт сетки заполняемости это включает в себя лучевое вещание через сетку для определения того, какие ячейки будут наблюдаться и с какой вероятностью они будут казаться занятыми или свободными. Для карт на основе признаков это включает в себя прогнозирование того, какие ориентиры будут видны с точки зрения кандидата и каковы будут их измеренные положения, учитывая шум измерения и неопределенность ассоциации данных.

Шаг 3: Обновление и распространение веры

После того, как потенциальные измерения предсказаны, следующий шаг состоит в том, чтобы смоделировать, как состояние убеждения будет обновлено, если эти измерения были получены. Состояние убеждения представляет вероятностные знания робота о его позе и карте. В системах SLAM на основе фильтра это обычно представлено как распределение вероятности (Gaussian для расширенных фильтров Калмана, набор частиц для фильтров частиц). В системах SLAM на основе графа оно представлено как ограничения кодирования фактора графа между позами и ориентирами.

Рао-черно-осветленный фильтр частиц (RBPF) используется для представления состояния робота и карты, а затем учитывает информативность действий на основе ожидаемого результирующего информационного усиления. Подход RBPF особенно популярен, поскольку он может представлять мультимодальные распределения и обрабатывать негауссовские неопределенности, возникающие в SLAM.

Процесс обновления убеждений применяет правило Байеса для включения предсказанных измерений. Для каждого возможного результата измерения система вычисляет заднего убеждения, которое будет результатом наблюдения этого измерения. Это требует оценки вероятности измерения (насколько вероятно это наблюдение с учетом текущего убеждения) и объединения его с предыдущим убеждением для получения заднего.

Шаг 4: Вычислительная энтропия до и после

При наличии предшествующего и заднего состояний убеждения система теперь может вычислять энтропию каждого.Предыдущая энтропия представляет текущую неопределенность перед принятием действия, в то время как задняя энтропия представляет ожидаемую неопределенность после получения измерений.Разница между этими двумя величинами - это информационный прирост.

Для гауссовских распределений энтропия имеет замкнутую форму выражения, включающую детерминант ковариационной матрицы.Для представлений частиц энтропию необходимо оценивать по распределению частиц, часто используя оценку плотности ядра или гистограммные методы. Для каждой сетки вычисляется и непрерывно обновляется по мере прогрессирования наблюдения ее информационная энтропия.

Критическая тонкость заключается в том, что мы должны вычислить ожидаемую заднюю энтропию, усредняя все возможные результаты измерений, взвешенные по их вероятности. Это ожидание делает вычисление взаимной информации вычислительно сложным — мы должны рассмотреть многие возможные варианты будущего и правильно взвесить их.

Шаг 5: Выбор действий на основе максимального информационного выигрыша

После вычисления информационного выигрыша для всех действий кандидата, заключительным шагом является выбор действия, которое максимизирует этот выигрыш (или оптимизирует некоторую комбинацию информационного выигрыша и других целей, таких как стоимость поездки). Каждая итерация исследования придает приоритет действиям с наибольшим потенциальным информационным выигрышем. Эта жадная стратегия выбора является вычислительно эффективной и часто хорошо работает на практике, хотя она может быть не глобально оптимальной.

Некоторые системы включают дополнительные факторы, помимо чистого информационного выигрыша, такие как стоимость выполнения действия (расстояние поездки, потребление энергии, время), риск столкновения или конкретные задачи. Прирост информационной энтропии и оценка неопределенности одновременно рассматриваются как торговля разведкой против эксплуатации. Эти многообъективные формулировки требуют тщательной настройки весов для баланса конкурирующих приоритетов.

Практические подходы к реализации

Хотя теоретические основы для расчета прироста информации хорошо известны, практическая реализация требует решения нескольких вычислительных и алгоритмических задач. Различные парадигмы SLAM - на основе фильтров, графов и сетки заполняемости - требуют различных стратегий реализации.

Фильтровые SLAM-реализации

В Extended Kalman Filter (EKF) SLAM состояние убеждения представлено как многомерное гауссовское распределение со средней векторной и ковариационной матрицей. Энтропия этого распределения может быть вычислена непосредственно из ковариационной матрицы, что делает вычисления энтропии относительно простыми. Однако EKF-SLAM масштабируется плохо в большие среды из-за квадратичного роста ковариационной матрицы.

Функция полезности для систем SLAM на основе фильтра частиц на основе Rao-Blackwellized представляет собой линейную сумму энтропии поз робота и ожидаемой энтропии возможных карт, связанных с каждой частицей. Эта факторизация использует условную структуру независимости задачи SLAM, чтобы сделать вычисления более тягостными.

Реализации фильтров частиц сталкиваются с проблемой оценки энтропии из дискретного представления частиц. Общие подходы включают вычисление ковариации выборки частиц (при условии приблизительной гауссовости) или использование непараметрических оценок энтропии на основе расстояний ближнего соседа или оценки плотности ядра.

Графические реализации SLAM

SLAM на основе графа представляет проблему в качестве факторного графа, где узлы представляют позы роботов и ориентиры, а края представляют ограничения от одометрии и измерений датчиков. Большинство реализаций используют SLAM на основе графа позы (68,7%) по сравнению с SLAM на основе фильтра (32%), и это предпочтение графа SLAM над фильтром на основе очень поощряется, поскольку граф SLAM имеет много преимуществ.

В системах, основанных на графах, вычисление прироста информации обычно включает в себя прогнозирование того, как новые измерения будут добавлять факторы к графу и как эти факторы будут влиять на неопределенность в оптимизированном решении. TFG использует графические модели, которые используют независимость между переменными и позволяют унифицировать количественную оценку прироста разведки и эксплуатации с помощью одной метрики энтропии. Эта унифицированная метрика упрощает задачу планирования, избегая необходимости вручную настраивать веса между разведкой и эксплуатацией.

Вычисление задней ковариации после добавления новых факторов требует либо выполнения полной оптимизации графа (дорогой), либо использования приближений на основе структуры графа. Лаплацкие приближения и другие методы могут обеспечить эффективные оценки того, как неопределенность изменится без полной оптимизации.

Реализация сети занятости

Карты сетки заполняемости дискретизируют среду в ячейки, каждая из которых с вероятностью занята. В каждой сетке есть только два состояния, то есть холостая или занятая, поэтому информационная энтропия в этой статье определяется как функция вероятности заполняемости. Для ячейки с вероятностью заполняемости p энтропия максимизируется при p = 0,5 (максимальная неопределенность) и минимизируется при приближении p к 0 или 1 (высокая достоверность).

Расчет прироста информации в сетках заполняемости включает в себя прогнозирование того, какие клетки будут наблюдаться с точки зрения кандидата и как будут обновляться их вероятности заполняемости.Карта информационной энтропии непрерывно обновляется сглаженным значением энтропии, а обновленный коэффициент определяет вес обновления фактической энтропии и наблюдений.

Вычислительным преимуществом сеток заполнения является то, что вычисления энтропии локальны для отдельных клеток и могут быть вычислены эффективно. Однако они плохо масштабируются до больших 3D-сред и естественным образом не представляют топологическую структуру или замыкания петли.

Передовые технологии и оптимизация

По мере того, как активная SLAM созревает, исследователи разработали множество методов для повышения эффективности и эффективности расчетов получения информации. Эти оптимизации необходимы для работы в режиме реального времени в сложных средах.

Фокусированная информация Получить

Вместо того, чтобы вычислять энтропию по всем переменным состояния, сфокусированный информационный прирост рассматривает только подмножество переменных, относящихся к текущей задаче. Информационный прирост определяется как уменьшение энтропии только по переменным, представляющим функции. Этот фокус на переменных, имеющих отношение к задаче, может значительно снизить вычислительные затраты при сохранении качества планирования.

Информационный выигрыш на целевой точке можно разделить на две части: первая часть — информационный выигрыш, полученный путем повторного наблюдения и улучшения известных признаков, а вторая — информационный выигрыш от изучения новых признаков.Это разложение позволяет планировщику явно рассуждать о компромиссе разведки и эксплуатации и распределять усилия соответствующим образом.

Иерархическое и многомасштабное планирование

Для обработки крупномасштабных сред многие системы используют иерархические стратегии планирования, которые работают в нескольких пространственных и временных масштабах. Иерархическая активная семантическая визуальная система SLAM, основанная на теории информации, имеет модуль для поиска глобального Next-Best-View (NBV) для робота и может генерировать Карту вероятностей функций (FPM) на основе текущего ввода изображения и выбирать локальный NBV.

Иерархические подходы могут планировать долгосрочные стратегии разведки на грубом уровне при использовании подробных расчетов прироста информации для местных решений. Это многомасштабное рассуждение повышает как вычислительную эффективность, так и качество плана, избегая близоруких решений, оптимизирующих локальный прирост информации за счет глобальной эффективности разведки.

Приближения и границы

Точные расчеты прироста информации часто трудноразрешимы, что приводит исследователей к разработке различных приближений и границ. Энтропийная метрика, основанная на лаплакианском приближении, вычисляет унифицированную количественную оценку разведочных и эксплуатационных выгод. Лаплакианские приближения предполагают локальную гауссовскую близость вокруг текущей оценки, что позволяет проводить вычисления энтропии замкнутой формы.

Другие приближения включают методы, основанные на выборке, которые оценивают прирост информации из конечного набора образцов измерений, а не интегрируют по полному распределению измерений. Отбор проб Монте-Карло может обеспечить объективные оценки ожидаемого прироста информации с вычислительными затратами, которые масштабируются с количеством образцов, а не размерностью пространства измерений.

Теория оптимального экспериментального дизайна

Альтернатива энтропийным метрикам исходит из теории оптимального экспериментального проектирования (TOED), которая фокусируется на минимизации ковариации оценок состояния. TOED пытается количественно оценить неопределенность непосредственно в пространстве задач из дисперсии интересующих переменных, и в отличие от информационно-теоретических метрик, которые нацелены на бинарные вероятности на карте сетки, метрики, управляемые задачами, применяются к гауссовым переменным.

Предложены несколько функций, известных как критерии оптимальности, такие как след (первоначально известный как A-оптимальность), его максимальное / минимальное собственное значение (E-оптимальность) или детерминант (D-оптимальность). Эти критерии предоставляют различные способы агрегирования многомерной неопределенности в скалярную цель, которая может быть оптимизирована.

D-оптимальность, минимизирующая детерминанта ковариационной матрицы, тесно связана с минимизацией энтропии для гауссовских распределений. A-оптимальность минимизирует след ковариационной матрицы, соответствуя минимизации средней дисперсии по всем измерениям. Выбор между этими критериями зависит от того, отдает ли приложение приоритет общей неопределенности (D-оптимальности) или наихудшей неопределенности в любом измерении (E-оптимальности).

Проблемы и вычислительные соображения

Несмотря на значительный прогресс, вычисление информации для активного SLAM остается вычислительно сложным, особенно в крупномасштабных или сложных средах.Понимание этих проблем имеет важное значение для разработки практических систем.

Проклятие размерности

По мере роста размеров среды и количества признаков размерность пространства состояний резко возрастает.Вычислительная энтропия над высокоразмерными распределениями становится все более сложной как с точки зрения представления (хранения распределения), так и с точки зрения вычислений (оценки интегралов или ожиданий).

Практическая реализация сталкивается с проблемами, в том числе с неразрешимостью оптимальных решений и повышенными вычислительными требованиями с более крупными областями разведки.Эта задача масштабируемости мотивировала разработку приближенных методов, иерархических представлений и сфокусированных информационных метрик, учитывающих только задачи-соответствующие подмножества государственного пространства.

Моделирование будущих наблюдений

Контроль планирования потребует моделирования будущих наблюдений и учета всех возможных исходов, что обычно трудноразрешимо.Пространство возможных наблюдений растет экспоненциально с горизонтом планирования, что делает невозможным перечислить все возможности долгосрочного планирования.

Большинство практических систем решают эту проблему, ограничивая горизонт планирования (учитывая только один или несколько шагов вперед), используя выборку для приближения распределения по наблюдениям или используя планирование с отступающим горизонтом, где робот перепланирует часто на основе новой информации.

Ассоциация данных неопределенность

Фундаментальной проблемой в SLAM является ассоциация данных — определение того, какие измерения датчиков соответствуют каким функциям карты. Эта неопределенность значительно усложняет вычисление информации, поскольку информационное содержание измерения зависит от того, соответствует ли оно известной функции (эксплуатация) или новой функции (исследование).

Надежные расчеты прироста информации должны учитывать неопределенность ассоциации данных, как правило, путем маргинализации по сравнению с возможными ассоциациями, взвешенными по их вероятности. Эта маргинализация добавляет еще один уровень вычислительной сложности к уже сложной проблеме.

Ограничения в реальном времени

Для того чтобы активная SLAM была полезна на практике, планирование должно происходить в режиме реального времени или почти в реальном времени. Робот не может позволить себе тратить минуты на вычисление оптимального следующего действия, пока изменения окружающей среды или возможности упускаются. Это временное ограничение вынуждает компромиссы между оптимальностью и вычислительной эффективностью.

Общие стратегии для удовлетворения ограничений в реальном времени включают: ограничение количества оцениваемых действий кандидата, использование быстрых приближений для получения информации, кэширование и повторное использование вычислений в циклах планирования и параллелизация вычислений в нескольких процессорах или графических процессорах.

Активный многоробот SLAM

Расширение активного SLAM на многороботные системы создает дополнительную сложность, но также и возможности для более эффективного исследования. Многороботовые системы (MRS) предлагают различные преимущества в крупномасштабной разведке, но требуют тесной связи между децентрализованным принятием решений и совместной оценкой, смоделированной как связанная система, включающая децентрализованный частично наблюдаемый уровень принятия решений Маркова (Dec-POMDP) и распределенный уровень оценки фактора-графа.

Совместная информация Получить

В сценариях с несколькими роботами прирост информации должен учитывать коллективные знания всех роботов и то, как их действия дополняют друг друга. Основная задача совместного восприятия заключается в выборе и обмене наиболее информативными наблюдениями при строгих ограничениях пропускной способности, чтобы максимизировать информационный прирост для глобальной карты, где взаимная информация между общими наблюдениями и картой количественно определяет прирост информации.

Роботы должны координировать свои исследования, чтобы избежать избыточного покрытия, обеспечивая при этом достаточное перекрытие для обнаружения закрытия петли и слияния карты. Эта координация может быть достигнута посредством централизованного планирования (один планировщик присваивает цели всем роботам), децентрализованного планирования (каждый робот планирует самостоятельно с ограниченной связью) или гибридных подходов.

Общение и ограничения пропускной способности

Многороботные системы сталкиваются с дополнительной проблемой ограниченной пропускной способности связи. Роботы не могут непрерывно делиться своими полными картами и состояниями убеждений, требующими избирательного обмена информацией. При каждой итерации роботы сначала получают наблюдения и выборочно делятся информативными функциями, а общие данные объединяются посредством распределенной оптимизации для обновления состояния убеждений.

Информационно-теоретические подходы также могут направлять решения в области коммуникации, выбирая, какие данные делиться на основе ожидаемой информационной ценности для других роботов. Это создает вложенную проблему оптимизации, когда роботы должны рассуждать как о том, куда двигаться, так и о том, что общаться.

Подходы, основанные на обучении, к получению информации

Последние достижения в области машинного обучения, особенно глубокого обучения с подкреплением (DRL), открыли новые возможности для активного планирования SLAM. DRL постепенно приобрел популярность, и адаптивность DRL делает его благоприятным кандидатом для решения проблемы Active SLAM, поскольку в отличие от традиционных методов, которые требуют предварительно определенной модели среды, DRL позволяет роботам динамически изучать оптимальные политики посредством взаимодействия с окружающей средой.

Учимся предсказывать получение информации

Один из подходов использует машинное обучение для приближения к вычислительно дорогостоящему расчету прироста информации. Активный метод исследования SLAM обучает GP прогнозировать максимальный прирост информации под контролем и использовать байесовскую оптимизацию для получения наилучшей цели разведки. Изучая опыт, система может быстро оценивать прирост информации без явного расчета, что позволяет быстрее планировать.

Нейронные сети могут быть обучены предсказывать получение информации из местных наблюдений и картографических функций, изучая закономерности о том, какие типы действий имеют тенденцию быть информативными в каких ситуациях. Эта изученная эвристика может направлять исследование более эффективно, чем ручные правила, при этом намного быстрее, чем точные расчеты.

Сквозное обучение политике разведки

Альтернативный подход использует обучение с подкреплением для непосредственного изучения политики разведки, которая максимизирует долгосрочный информационный выигрыш, без явно вычисления информационно-теоретических метрик. Иерархическое обучение с подкреплением (HRL) и пространственная абстракция на основе графов в настоящее время предлагают превосходную масштабируемость и надежность по сравнению с монолитными сквозными подходами.

Эти изученные стратегии могут охватывать сложные модели эффективного исследования, которые трудно кодировать в формулах получения аналитической информации. Однако они требуют значительных данных об обучении и могут не очень хорошо обобщаться в средах, существенно отличающихся от распределения обучения.

Приложения и развертывание в реальном мире

Активный SLAM, основанный на получении информации, успешно применяется во многих реальных приложениях, демонстрируя свою практическую ценность за пределами теоретических интересов.

Автономное исследование и картирование

Наиболее непосредственное применение — автономное исследование неизвестных сред. Роботы, оснащенные активным SLAM, могут эффективно картировать здания, пещеры, места стихийных бедствий или планетарные поверхности без человеческого руководства. Результаты моделирования по сравнению с традиционным исследованием границ сетки-карты показывают значительное снижение погрешностей в положении, ориентации и исследовании.

Метрики получения информации обеспечивают систематическую и эффективную разведку, исключая избыточный охват при обеспечении полного картографирования. Это особенно ценно в опасных средах, где разведка человека опасна или невозможна.

Поиск и спасение роботов

В сценариях реагирования на стихийные бедствия роботы должны быстро исследовать поврежденные структуры, чтобы найти выживших при создании карт для спасательных команд. Информационное планирование на основе усиления помогает роботам расставлять приоритеты в областях, которые могут содержать важную информацию (потенциальные места выживших), сохраняя точность локализации в средах, отрицаемых GPS.

Способность балансировать разведку и эксплуатацию имеет решающее значение здесь — робот должен исследовать новые области, чтобы найти выживших, но также и пересмотреть известные области, чтобы поддерживать точную локализацию для сообщения о выживших позициях.

Склад и промышленная автоматизация

Автономные мобильные роботы на складах и заводах используют активную SLAM для навигации и обновления карт по мере изменения окружающей среды. Расчеты получения информации помогают роботам эффективно изучать новые макеты при перегруппировке запасов или при работе на новых объектах.

Здесь основное внимание часто уделяется быстрому первоначальному отображению, за которым следует постоянное уточнение, с метриками получения информации, направляющими переход между этими фазами.

Автономные автомобили

Автономные автомобили используют SLAM для локализации в районах, отклоняемых GPS (туннели, городские каньоны), и для создания карт высокой четкости. В то время как большинство автономных транспортных средств полагаются на предварительно построенные карты, активные принципы SLAM направляют обновления карт и исследование новых областей.

Расчеты сбора информации помогают транспортным средствам решать, когда отклоняться от запланированных маршрутов, чтобы собрать информацию об изменившихся дорожных условиях или новом строительстве, уравновешивая задачи картирования с целями транспортировки.

Будущие направления и открытые вызовы

Несмотря на значительный прогресс, в процессе расчета объема информации для активного ОБМП по-прежнему существует ряд важных проблем и возможностей.

Динамические среды

Большинство существующих алгоритмов SLAM не являются надежными в динамических средах, поскольку движущиеся объекты могут негативно влиять на картографирование и точность локализации, что затрудняет роботу отслеживание и полное понимание его среды.Расчеты прироста информации должны быть расширены для учета временной динамики, предсказывая не только, куда двигаться, но и когда наблюдать, чтобы фиксировать изменяющиеся явления.

Правильное планирование движения имеет важное значение для активного семантического SLAM в динамических средах для обеспечения надежной производительности. Будущие системы должны рассуждать об информационной ценности наблюдений в разное время, учитывая предсказуемость и важность динамических элементов.

Долгогоризонтное планирование

Большинство современных систем используют жадное или короткого горизонта планирования, выбирая действия, которые максимизируют немедленный информационный выигрыш. Текущая реализация DRL в Active SLAM в основном вращается вокруг обучения роботов выполнению одношаговых действий, часто упуская из виду разработку долгосрочных стратегий планирования, и роботы могут тратить непропорционально много времени на обдумывание решений, а не выполнение действий, и наблюдается заметное отсутствие стратегий, направленных на оптимизацию длины пути.

Разработка тягостных методов для длинного горизонта информационно-теоретического планирования остается важной открытой проблемой.Иерархические подходы и изученные функции ценности показывают перспективы, но требуют дальнейшего развития.

Семантическая и целевая информация

Традиционный информационный прирост фокусируется на геометрической неопределенности, но многие приложения требуют семантического понимания. Информационно-теоретические планировщики используют байесовские многоклассовые октры с взаимной информацией Шеннона для выбора точек зрения, которые уменьшают как геометрическую, так и семантическую неопределенность. Расширение вычислений информационного прироста для включения семантической, доступной и связанной с задачами информации остается активной областью исследований.

Будущие системы должны рассуждать об информационной ценности наблюдений с точки зрения выполнения задач, а не только точности карт. Это требует интеграции активного SLAM с планированием и рассуждением задач более высокого уровня.

Масштабируемость в крупномасштабных средах

Поскольку роботы развертываются во все более крупных средах - целых зданиях, городских кварталах или природных ландшафтах - масштабируемость расчетов получения информации становится критической.Иерархические представления, распределенные вычисления и методы приближения должны быть дополнительно разработаны для обработки этих масштабов при сохранении производительности в реальном времени.

Практические руководящие принципы осуществления

Для практиков, реализующих активную SLAM, основанную на получении информации, несколько практических рекомендаций могут помочь обеспечить успех.

Выбор правильной информационной метрики

Выбор метрики информации должен руководствоваться конкретными требованиями приложения и вычислительными ограничениями. Энтропия Шеннона и взаимная информация являются хорошим выбором по умолчанию для общего исследования. D-оптимальность от TOED уместна, когда состояние может быть хорошо приближено, поскольку важна гауссовская и вычислительная эффективность. Расхождение Реньи предлагает гибкость через свой параметр, чтобы подчеркнуть различные аспекты распределения.

Для карт сетки заполняемости энтропия с клеточным уравнением проста и эффективна. Для карт на основе признаков более уместны метрики на основе ковариации или оценки энтропии фильтра частиц. Ключом является соответствие метрики представлению карты и вычислительному бюджету.

Балансировка точности и вычислений

Идеальный расчет прироста информации редко необходим или достижим. Практикующие должны сосредоточиться на приближениях, которые фиксируют существенные компромиссы, оставаясь вычислительно управляемыми. Примеры на основе выборки, лаплаковские приближения и целевые информационные показатели могут обеспечить хорошую производительность с разумными вычислительными затратами.

Часто важнее оценить многие действия кандидатов с приблизительным информационным выигрышем, чем идеально оценить нескольких кандидатов. Система планирования должна быть разработана так, чтобы масштабироваться изящно, унижая до более простой эвристики, когда вычислительные ресурсы ограничены.

Интеграция с SLAM Backend

Расчет прироста информации должен быть тесно интегрирован с сервером SLAM для доступа к текущим состояниям убеждений и эффективного прогнозирования обновлений. Выбор алгоритма SLAM (EKF, фильтр частиц, оптимизация графа) значительно влияет на то, как следует вычислять прирост информации.

Для графовой SLAM рассмотрите возможность использования библиотек инкрементной оптимизации, которые могут эффективно вычислять предельные ковариации. Для фильтров частиц обеспечить достаточное количество частиц, чтобы точно представлять распределение убеждений для оценки энтропии. Для сеток заполняемости поддерживать эффективные структуры данных для лучевого и энтропийного вычислений.

Проверка и испытание

Проверка расчетов прироста информации является сложной задачей, поскольку наземная истина редко доступна. Полезные подходы к валидации включают: сравнение прогнозируемого прироста информации с фактическим уменьшением энтропии после выполнения действий, тестирование в моделировании с известными картами наземной правды и сравнение различных информационных показателей для понимания их поведения.

Показатели эффективности должны включать не только качество окончательной карты, но и эффективность разведки (площадь, охватываемая за единицу времени или расстояния), точность локализации на протяжении всей разведки и вычислительную производительность (время планирования, использование памяти).

Заключение

Расчет прироста информации имеет основополагающее значение для активного планирования SLAM, обеспечивая принципиальную основу для выбора действий, которые эффективно уменьшают неопределенность в отношении положения робота и окружающей среды.Основной процесс включает прогнозирование потенциальных измерений датчиков для действий кандидата, моделирование обновлений состояния убеждений, вычисление изменений энтропии и выбор действий, которые максимизируют ожидаемый прирост информации.

Хотя теоретическая основа хорошо установлена с помощью теории информации и байесовского вывода, практическая реализация требует тщательного внимания к вычислительной эффективности, методам приближения и интеграции с серверами SLAM. Различные представления карт - сетки заполнения, карты функций и представления на основе графов - требуют различных вычислительных подходов, каждый с различными компромиссами между точностью и эффективностью.

Последние достижения в области иерархического планирования, семантического SLAM, координации мультироботов и методов обучения значительно расширили возможности и применимость активного SLAM на основе получения информации. Эти разработки позволяют роботам эффективно работать во все более сложных и крупномасштабных средах, от автоматизации склада до планетарного исследования.

Заглядывая вперед, ключевые проблемы включают масштабирование в более крупные среды, обработку динамических сцен, включение семантической и связанной с задачами информации и разработку тягостных методов долгосрочного планирования. Интеграция классического информационно-теоретического планирования с современными подходами машинного обучения показывает особую перспективу для решения этих проблем.

Для практиков успех в реализации активного SLAM на основе получения информации зависит от выбора соответствующих информационных показателей для приложения, балансирования вычислительных затрат с качеством планирования и тщательной интеграции планирования с фоном SLAM. Благодаря продуманному дизайну и реализации расчеты получения информации позволяют роботам исследовать и отображать среды с замечательной эффективностью и автономностью.

По мере того, как робототехника продолжает развиваться, а роботы развертываются в все более требовательных приложениях, принципы информационно-теоретического планирования будут оставаться центральными для обеспечения действительно автономных исследований и картографирования. Область продолжает быстро развиваться, с новыми алгоритмами, представлениями и приложениями, появляющимися регулярно, что делает ее захватывающей областью как для исследований, так и для практических разработок.

Дополнительные ресурсы

Для тех, кто заинтересован в получении дополнительной информации об активных SLAM и расчетах сбора информации, несколько ресурсов предоставляют ценную дополнительную информацию. В статье обзора Active SLAM содержится всеобъемлющее исследование последних методов и приложений. Wikipedia статья о SLAM предлагает доступное введение в более широкую область. Для подробной реализации документация MATLAB SLAM предоставляет практические рекомендации и примеры кода. Исследователи, заинтересованные в многороботовых системах, должны ознакомиться с последними исследованиями по многороботным совместным SLAM. Наконец, новая область семантического SLAM предлагает идеи по включению понимания высокого уровня в активное исследование.