The Bayesian map - A hierarchical probabilistic model for mobile robot navigation
La carte bayésienne : un modèle probabiliste hiérarchique pour la navigation en robotique mobile
Résumé
What is a map? What is its utility? What is a location, a behaviour? What
are navigation, localization and prediction for a mobile robot facing a
given task?
These questions have neither unique nor straightforward answer to this day,
and are still the core of numerous research domains.
Robotics, for instance, aim at answering them for creating successful
sensori-motor artefacts. Cognitive sciences use these questions as
intermediate goals on the road to understanding living beings, their skills,
and furthermore, their intelligence.
Our study lies between these two domains. We first study classical
probabilistic approaches (Markov localization, POMDPs, HMMs, etc.), then
some biomimetic approaches (Berthoz, Franz, Kuipers). We analyze their
respective advantages and drawbacks in light of a general formalism for
robot programming based on bayesian inference (BRP).
We propose a new probabilistic formalism for modelling the interaction
between a robot and its environment: the Bayesian map.
In this framework, defining a map is done by specifying a particular
probability distribution. Some of the questions above then amount to solving
inference problems.
We define operators for putting maps together, so that "hierarchies of maps"
and incremental development play a central role in our formalism, as in
biomimetic approaches. By using the bayesian formalism, we also benefit both
from a unified means of dealing with uncertainties, and from clear and
rigorous mathematical foundations. Our formalism is illustrated by
experiments that have been implemented on a Koala mobile robot.
are navigation, localization and prediction for a mobile robot facing a
given task?
These questions have neither unique nor straightforward answer to this day,
and are still the core of numerous research domains.
Robotics, for instance, aim at answering them for creating successful
sensori-motor artefacts. Cognitive sciences use these questions as
intermediate goals on the road to understanding living beings, their skills,
and furthermore, their intelligence.
Our study lies between these two domains. We first study classical
probabilistic approaches (Markov localization, POMDPs, HMMs, etc.), then
some biomimetic approaches (Berthoz, Franz, Kuipers). We analyze their
respective advantages and drawbacks in light of a general formalism for
robot programming based on bayesian inference (BRP).
We propose a new probabilistic formalism for modelling the interaction
between a robot and its environment: the Bayesian map.
In this framework, defining a map is done by specifying a particular
probability distribution. Some of the questions above then amount to solving
inference problems.
We define operators for putting maps together, so that "hierarchies of maps"
and incremental development play a central role in our formalism, as in
biomimetic approaches. By using the bayesian formalism, we also benefit both
from a unified means of dealing with uncertainties, and from clear and
rigorous mathematical foundations. Our formalism is illustrated by
experiments that have been implemented on a Koala mobile robot.
Qu'est-ce qu'une carte ? Quelle est son utilité ? Qu'est-ce-qu'un lieu, un
comportement ? Qu'est-ce-que naviguer, se localiser et prédire, pour un
robot mobile devant accomplir une tâche donnée ?
Ces questions n'ont pas de réponses uniques ou évidentes à ce jour, et
restent centrales à de nombreux domaines de recherches.
La robotique, par exemple, souhaite y répondre en vue de la synthèse de
systèmes sensori-moteurs performants. Les sciences cognitives placent ces
questions comme essentielles à la compréhension des êtres vivants, de leurs
compétences, et au-delà, de leurs intelligences.
Notre étude se situe à la croisée de ces disciplines. Nous étudions tout
d'abord les méthodes probabilistes classiques (Localisation Markovienne,
PDMPOs, MMCs, etc.), puis certaines approches dites "bio-inspirées"
(Berthoz, Franz, Kuipers). Nous analysons les avantages et inconvénients
respectifs de ces approches en les replaçant dans un cadre général de
programmation des robots basé sur l'inférence bayésienne (PBR).
Nous proposons un formalisme original de modélisation probabiliste de
l'interaction entre un robot et son environnement : la carte bayésienne.
Dans ce cadre, définir une carte revient à spécifier une distribution de
probabilités particulière. Certaines des questions évoquées ci-dessus se
ramènent alors à la résolution de problèmes d'inférence probabiliste.
Nous définissons des opérateurs d'assemblage de cartes bayésiennes,
replaçant ainsi les notions de "hiérarchie de cartes" et de développement
incrémental comme éléments centraux de notre approche, en accord avec les
données biologiques. En appuyant l'ensemble de notre travail sur le
formalisme bayésien, nous profitons d'une part d'une capacité de traitement
unifié des incertitudes, et d'autre part, de fondations mathématiques
claires et rigoureuses. Notre formalisme est illustré par des exemples
implantés sur un robot mobile Koala.
comportement ? Qu'est-ce-que naviguer, se localiser et prédire, pour un
robot mobile devant accomplir une tâche donnée ?
Ces questions n'ont pas de réponses uniques ou évidentes à ce jour, et
restent centrales à de nombreux domaines de recherches.
La robotique, par exemple, souhaite y répondre en vue de la synthèse de
systèmes sensori-moteurs performants. Les sciences cognitives placent ces
questions comme essentielles à la compréhension des êtres vivants, de leurs
compétences, et au-delà, de leurs intelligences.
Notre étude se situe à la croisée de ces disciplines. Nous étudions tout
d'abord les méthodes probabilistes classiques (Localisation Markovienne,
PDMPOs, MMCs, etc.), puis certaines approches dites "bio-inspirées"
(Berthoz, Franz, Kuipers). Nous analysons les avantages et inconvénients
respectifs de ces approches en les replaçant dans un cadre général de
programmation des robots basé sur l'inférence bayésienne (PBR).
Nous proposons un formalisme original de modélisation probabiliste de
l'interaction entre un robot et son environnement : la carte bayésienne.
Dans ce cadre, définir une carte revient à spécifier une distribution de
probabilités particulière. Certaines des questions évoquées ci-dessus se
ramènent alors à la résolution de problèmes d'inférence probabiliste.
Nous définissons des opérateurs d'assemblage de cartes bayésiennes,
replaçant ainsi les notions de "hiérarchie de cartes" et de développement
incrémental comme éléments centraux de notre approche, en accord avec les
données biologiques. En appuyant l'ensemble de notre travail sur le
formalisme bayésien, nous profitons d'une part d'une capacité de traitement
unifié des incertitudes, et d'autre part, de fondations mathématiques
claires et rigoureuses. Notre formalisme est illustré par des exemples
implantés sur un robot mobile Koala.