Persistent Frontier Tracking and Uncertainty-Aware Goal Switching for Autonomous Exploration

Stel je een robot voor die naar een gebouw wordt gestuurd dat hij nog nooit eerder heeft gezien. Zijn taak is om de hele ruimte in kaart te brengen, kamer voor kamer, zonder voorafgaande instructies over waar hij heen moet gaan. Om dit te doen, vertrouwt de robot op een strategie die frontier-based exploration (frontiere-gebaseerde exploratie) wordt genoemd. De robot zoekt voortdurend naar de rand van wat hij weet — de "frontiere" — waar de bekende, lege ruimte de onbekende, donkere gebieden ontmoet. De robot kiest een punt op deze rand en rijdt er naartoe. Echter, de wereld is niet statisch. Terwijl de robot beweegt, werkt zijn kaart bij op basis van zijn sensoren, en de waarde van zijn gekozen bestemming kan veranderen. Een punt dat van een afstand veelbelovend leek, kan een doodlopende weg blijken te zijn, of er kan plotseling een beter, opener gebied in de buurt verschijnen. De uitdaging voor ingenieurs is om de robot te leren beslissen wanneer hij bij zijn huidige plan blijft en wanneer hij van koers verandert. Als hij te vaak verandert, verspilt hij tijd en energie door te zigzaggen; als hij te zelden verandert, marcheert hij koppig naar een doel dat het niet langer waard is om te bereiken.

Een team van onderzoekers aan de Amirkabir University of Technology in Iran heeft een nieuwe manier ontwikkeld waarop deze robots deze beslissing kunnen nemen. Ze hebben een systeem gecreëerd dat werkt als een bedachtzame navigator, die het pad van de robot voortdurend herëvalueert naarmate de kaart evolueert. In plaats van een bestemming te kiezen en deze te negeren totdat de robot arriveert, of bij elke kleine update een nieuw doel te kiezen, houdt hun systeem een lopende geschiedenis bij van potentiële bestemmingen. Het behandelt elk mogelijk doel als een persistent spoor en houdt in de gaten hoe de waarde ervan in de loop van de tijd verandert. De onderzoekers gebruikten een wiskundig hulpmiddel, vergelijkbaar met hoe een weervoorspeller een storm voorspelt door ruisige gegevens te filteren, om de werkelijke waarde van elke frontiere in te schatten. Dit hulpmiddel helpt de robot om onderscheid te maken tussen een werkelijk betere bestemming en een tijdelijke storing in de kaartgegevens. De robot wisselt pas van doel als een nieuwe optie duidelijk en met zekerheid beter is, waarbij rekening wordt gehouden met de onzekerheid van zijn eigen sensoren.

Om dit idee te testen, bouwden de onderzoekers een volledig exploratiesysteem en onderwierpen het aan twee verschillende manieren: eerst in een gedetailleerde computersimulatie, en daarna op een echte, fysieke robot genaamd de TurtleBot3 die rond beweegt in een werkelijke binnenruimte. In de simulatie vergeleken ze hun nieuwe methode met twee oudere benaderingen: één die een standaard, rigide navigatiesysteem gebruikte, en een andere die een moderne, op leren gebaseerde controller gebruikte maar nooit van gedachten veranderde zodra een doel was ingesteld. De resultaten waren duidelijk. Het nieuwe systeem, dat maakte van slim, op onzekerheid gebaseerd doelwisselen, bereikte 95 procent van de kaartdekking aanzienlijk sneller dan de anderen. In de computersimulaties voltooide het de klus ongeveer 21 procent sneller en legde het bijna 19 procent minder afstand af dan de versie die nooit van doel wisselde.

De prestaties hielden stand toen de onderzoekers van de virtuele wereld naar de echte wereld overstapten. In een fysieke kamer met vaste obstakels bereikte de robot die het nieuwe systeem gebruikte dezelfde 95 procent dekkingsgraad in slechts iets meer dan 115 seconden, waarbij hij slechts ongeveer 13 meter aflegde. Ter vergelijking nam de versie die nooit van doel wisselde ongeveer 145 seconden in beslag en legde ongeveer 16 meter af. De standaard, oudere methode was de langzaamste van allemaal, waarbij bijna 184 seconden nodig waren en bijna 19 meter werd afgelegd. Cruciaal was dat alle drie de methoden bijna exact dezelfde hoeveelheid van de kamer in kaart brachten. Het verschil zat niet in hoeveel ze zagen, maar in hoe efficiënt ze daar kwamen. Het nieuwe systeem vond geen geheime kamers die de anderen misten; het vermeed simpelweg de verspilde stappen van het marcheren naar een doel dat zijn waarde verloren had.

De sleutel tot deze efficiëntie ligt in de manier waarop het systeem omgaat met de "ruis" van echte gegevens. Terwijl de robot beweegt, pikken zijn sensoren imperfecte informatie op, en de kaart kan flikkeren of licht verschuiven. Een systeem dat reageert op elke kleine verschuiving kan constant van doel wisselen, wat energie verspilt. Een systeem dat alle verschuivingen negeert, kan een betere kans missen. De oplossing van de onderzoekers was het bijhouden van een "spoor" voor elk potentieel doel. Zelfs als de robot een specifieke frontiere even uit het oog verliest, houdt het systeem een lopende schatting bij van waar deze zich bevindt en hoe waardevol deze blijft. Wanneer de robot overweegt om naar een nieuw doel te wisselen, kijkt hij niet alleen naar de huidige cijfers. Hij kijkt naar de geschiedenis van zowel het huidige doel als de nieuwe kandidaat, waarbij de waarden worden afgewogen tegen de onzekerheid van de metingen. De robot wisselt pas als de nieuwe kandidaat een duidelijke, aanhoudende voorsprong biedt die het risico van het veranderen van richting overtreft.

Deze aanpak bleek robuust in verschillende omgevingen. De onderzoekers testten het systeem in twee verschillende gesimuleerde kaarten, waarvan er één volledig nieuw was voor de trainingsdata van de robot, en de resultaten bleven consistent. Het systeem presteerde ook goed in de realiteitstest, waarbij fysieke obstakels en beperkingen van de sensoren lagen van complexiteit toevoegden. De analyse toonde aan dat de doelwisselingen niet willekeurig of chaotisch waren. In plaats daarvan waren het doelbewuste correcties die de robot in staat stelden om te herstellen van momenten waarop hij naar een minder nuttig gebied onderweg was. Door de ruis te filteren en zich te concentreren op aanhoudende waarde, besteedde de robot minder tijd aan reizen en meer tijd aan exploratie.

De studie concludeert dat de waarde van een frontiere geen vaststaand getal is dat op het moment van selectie wordt bepaald. Het is een dynamische kwaliteit die stijgt en daalt naarmate de robot beweegt en de kaart wordt bijgewerkt. Een robot die deze veranderingen niet kan zien, is gebonden aan een beslissing gebaseerd op informatie die mogelijk al verlopen is. Door een geschiedenis van deze potentiële bestemmingen bij te houden en een filter te gebruiken om de ruis te filteren, kan de robot in realtime slimmere keuzes maken. De onderzoekers ontdekten dat deze methode niet vereist dat de robot nieuwe vaardigheden leert voor elke nieuwe omgeving; het navigatiebeleid werd één keer in simulatie getraind en vervolgens direct op de fysieke robot toegepast zonder verdere training. De verbetering kwam volledig voort uit de besluitvormingslaag die tussen het detecteren van de kaart en het bewegen van de wielen zit.

Vooruitblikkend suggereren de onderzoekers dat dit framework kan worden uitgebreid naar groepen robots die samenwerken. Aangezien het systeem al een geschiedenis bijhoudt voor elke frontiere, kan het worden aangepast om bij te houden welke robot naar welk gebied gaat, om te voorkomen dat meerdere robots hetzelfde doel najagen. Ze merken ook op dat het huidige systeem een frontiere die geblokkeerd wordt door een bewegend obstakel hetzelfde behandelt als een frontiere die al verkend is, wat een beperking is voor toekomstig werk. Maar voor nu demonstreert de studie een praktische manier om autonome exploratie efficiënter te maken. Het laat zien dat door een robot het vermogen te geven om zijn pad te heroverwegen met een kalm, op data gebaseerd perspectief, we hem kunnen helpen het onbekende te navigeren met meer snelheid en minder verspilde inspanning.