An Active Perception Game for Robust Exploration

Stel je een robot voor die een donker, onbekend gebouw wordt ingestuurd om een persoon in nood te vinden. Zijn missie hangt volledig af van hoe goed hij zijn omgeving kan zien en begrijpen. Om dit te doen, moet de robot beslissen waar hij als volgende naartoe beweegt. Hij kan niet simpelweg willekeurig ronddwalen; hij moet de specifieke plekken kiezen die hem het meeste leren over de omgeving. Dit proces wordt actieve perceptie genoemd. De robot vraagt zichzelf constant af: "Als ik naar deze hoek beweeg, wat voor nieuwe informatie zal ik dan leren?" Hij probeert de waarde van een toekomstig beeld te voorspellen voordat hij het daadwerkelijk ziet. Deze voorspelling is cruciaal, omdat een verkeerde gok de robot in een doodlopende weg kan sturen, waardoor kostbare tijd wordt verspild of een cruciaal spoor volledig wordt gemist. De uitdaging is dat de werkelijke waarde van een beeld pas bekend is nadat de robot de foto heeft genomen en verwerkt. Tot dat moment werkt de robot met een schatting, en in complexe, echte omgevingen zijn deze schattingen vaak gebrekkig.

Een team onderzoekers aan de Universiteit van Pennsylvania heeft een nieuwe manier ontwikkeld om robots te helpen betere gissingen te doen. Ze realiseerden zich dat de standaardmethode voor het voorspellen van informatieverrijking vaak faalt omdat deze elke nieuwe kijkrichting behandelt alsof deze onafhankelijk is, waarbij wordt genegeerd dat nabijgelegen kijkrichtingen vaak overlappen en informatie delen. Bovendien is de interne kaart van de wereld van de robot nooit perfect, en de sensoren die hij gebruikt kunnen ruis bevatten. Deze factoren zorgen ervoor dat de robot de hoeveelheid informatie die hij uit een specifieke route zal leren, overschat of onderschat. De onderzoekers benaderden dit probleem door het verschil tussen de gok van de robot en de realiteit te behandelen als een soort tegenstander in een spel. In dit scenario probeert de robot naar de meest informatieve plekken te navigeren, terwijl de "tegenstander" de fouten en onzekerheden vertegenwoordigt die hem proberen te misleiden. Door deze interactie te analyseren, creëerde het team een online leersysteem waarmee de robot zijn eigen fouten in realtime kan corrigeren.

De kern van hun methode is een eenvoudige maar krachtige feedbackloop. Terwijl de robot beweegt en gegevens verzamelt, vergelijkt hij wat hij dacht te gaan leren met wat hij daadwerkelijk heeft geleerd. Als de robot dacht dat een bepaalde route veel nieuwe details zou onthullen, maar deze bleek redundant te zijn, legt het systeem deze discrepantie vast. Het gebruikt deze ervaring vervolgens om toekomstige voorspellingen aan te passen. In plaats van te vertrouwen op een statische formule, bouwt de robot een dynamisch model van zijn eigen onzekerheid. De robot leert patronen te herkennen waarbij zijn eerdere schattingen te hoog of te laag waren, zoals bij het bekijken van een draaiende propeller waarbij de onzekerheid nooit echt verdwijnt, of bij het bekijken van een rommelige kamer waar overlappende hoeken minder nieuwe gegevens opleveren dan verwacht. Door voortdurend zijn begrip van deze fouten te verfijnen, wordt de robot steeds nauwkeuriger in het selecteren van de beste gezichtspunten.

De onderzoekers testten deze aanpak in een verscheidenheid aan omgevingen om te zien of deze standhield onder druk. Ze voerden simulaties uit met een drone die door fotorealistische virtuele kamers vloog, waarbij het doel was om een volledige 3D-kaart van de ruimte te maken en objecten zoals stoelen en toiletten te identificeren. Ze testten het systeem ook met echte gegevens van een grondrobot die zowel binnen gangen als buiten stedelijke scènes navigeerde. In deze experimenten moest de robot omgaan met ruisige sensoren en complexe omgevingen waar delen van de scène verborgen waren achter obstakels. De resultaten lieten een duidelijke verbetering zien ten opzichte van standaardmethoden. De nieuwe aanpak verminderde de fout in het schatten van de informatieverrijking met gemiddeld 42 procent. Deze nauwkeurigere schatting leidde tot betere resultaten: de robots verzamelden 7 procent meer nuttige informatie, reconstrueerden de omgeving met een hogere visuele helderheid en identificeerden succesvol 6 procent meer objecten in de scène.

In de praktijktesten met een grondrobot was het verschil bijzonder zichtbaar in de manier waarop de robot moeilijke gebieden aanpakte. Waar een standaardrobot wellicht in open, gemakkelijk in te zien gebieden zou zijn gebleven, zocht de robot met de nieuwe methode actief naar verborgen ruimtes. Hij navigeerde succesvol naar regio's die geblokkeerd werden door barrières of geparkeerde auto's, en keek effectief om hoeken om de ongeziene delen van de omgeving in kaart te brengen. De onderzoekers merkten op dat dit vermogen om de eigen verwachtingen te corrigeren de robot in staat stelde om loops van redundante observatie te vermijden en zich in plaats daarvan te concentreren op de gebieden die echt verkend moesten worden. De methode werkte over verschillende soorten kaarten en gegevens heen, wat bewees dat de onderliggende logica van leren van eerdere schattingsfouten robuust en generaliseerbaar is.

Dit werk benadrukt een verschuiving in hoe robots kunnen worden ontworpen om te leren van hun eigen beperkingen. In plaats van ervan uit te gaan dat een robot de toekomst perfect kan voorspellen, hebben de onderzoekers aangetoond dat een robot kan leren om zijn eigen voorspellingsfouten te voorspellen. Dit stelt de machine in staat om zich aan te passen aan de rommelige, onvoorspelbare aard van de echte wereld. De bevindingen suggereren dat door de kloof tussen verwachting en realiteit te behandelen als een bron van data in plaats van alleen als een falen, robots aanzienlijk effectievere verkenners kunnen worden. Het team heeft aangetoond dat met deze aanpak robots nauwkeurigere kaarten kunnen bouwen en meer objecten kunnen vinden, of ze nu door een gesimuleerd gebouw vliegen of door een drukke stad rijden. De studie biedt een wiskundige garantie dat deze verbeteringen zullen blijven groeien naarmate de robot meer ervaring opdoet, wat verzekert dat het systeem beter wordt naarmate het langer in bedrijf is.