变化环境下用于信息驱动监测的扰动感知机器人规划

变化环境下用于信息驱动监测的扰动感知机器人规划

Kaleb Ben Naveed, Haejoon Lee, Anouck Girard, Dimitra Panagou

1 分钟阅读•2026年11月16日

自主机器人广泛应用于环境监测,采集温度、水质和地形特征等感兴趣量的测量数据。在时空环境中,这些量会随时间变化,导致信息衰减。因此,信息驱动规划在优化机器人轨迹时,必须同时考虑信息获取与衰减。另一个挑战是外部扰动存在不确定性,这会影响机器人运动以及测量数据的采集位置。因此,基于名义动力学优化的轨迹在执行过程中获取的信息可能少于预期。

要选择扰动测量点以改进后续监测,就必须考虑降低扰动不确定性会如何影响未来的规划决策。这与双重控制密切相关:双重控制需要平衡即时性能与学习;也与任务最优探索有关,后者根据学习对任务性能的影响来确定学习优先级。然而,直接评估这种收益在计算上颇具挑战,因为这需要考虑各种可能的测量结果、它们对扰动信念的影响,以及由此造成的后续信息驱动轨迹变化。

两阶段方法

我们针对这一问题提出了一种在线两阶段方法。第一阶段在与监测任务相关的区域采集扰动测量数据。当这些区域的不确定性降低到足够程度后,第二阶段利用学到的扰动信念优化信息驱动轨迹。在两个阶段中,都会持续测量感兴趣量和扰动。

扰动感知监测的预设场景

扰动估计

利用几何路径及其监测相关性评分,确定应优先采集扰动测量数据的位置。

结论

我们提出了一个两阶段框架,将监测信息引导的扰动学习与扰动感知轨迹优化相结合。在报告的四次运行中,与全局估计相比,监测信息引导的采样减少了专门学习所需时间,降幅为未具体说明的下限至上限百分比范围;当扰动限制了传感位置的可达性时,该方法还能改善监测效果。大体平静的场景也揭示了不必要学习所带来的成本。

仿真与比较方案

仿真采用双积分器名义动力学,并通过相对气流速度力模型引入风力。风力随空间变化,但在时间上保持不变。各方法在每个场景中使用相同的几何结构、初始状态、清晰度和 MBD 预算。规划时域为未具体说明的时长,包含未具体说明的执行间隔数。风力估计在没有测量数据的情况下开始,POAM 则根据执行过程中采集的观测在线更新。

当路径加权的扰动不确定性低于未具体说明的阈值时,专门学习过程终止。B4 则评估整个自由工作空间内的扰动不确定性。这一后验不确定性判据取决于模型,不能为真实风力估计误差提供上界。

比较方法

B1 在规划中假定风力为零,并执行未经安全筛选的 MBD 轨迹。

各评估方法生成的轨迹

常见问题

该框架解决什么问题? 该框架解决信息驱动机器人规划问题:环境量会随时间变化,外部扰动则可能影响机器人的运动和测量位置。

两阶段方法如何运作? 该方法先在与任务相关的区域采集扰动测量数据,再利用学到的扰动信念优化信息驱动轨迹。

该方法会优先在哪些位置采集扰动测量数据? 该方法利用几何路径和监测相关性评分,确定应优先采集扰动测量数据的位置。

扰动不确定性判据有什么局限? 后验不确定性判据取决于模型,不能为真实风力估计误差提供上界。