Planejamento ativo para inspeção subaquática e o benefício da adaptabilidade

Discutimos o problema de inspecionar uma estrutura subaquática, como o casco de um navio submerso, com um veículo subaquático autônomo (AUV). Ao contrário de um grande número de trabalhos anteriores, focamos no planejamento das vistas do AUV para melhorar a qualidade da inspeção, em vez de maximizar a precisão de um dado fluxo de informação. Formulamos o problema de planejamento de inspeção como uma extensão do aprendizado ativo bayesiano e mostramos conexões com garantias teóricas recentes nesta área. Analisamos rigorosamente o benefício do replanejamento adaptativo para tais problemas e provamos que o benefício potencial da adaptabilidade pode ser reduzido de um fator exponencial para um fator constante ao mudar o problema de minimização de custos com uma restrição sobre ganho de informação para redução de variância com uma restrição sobre custos. Essa análise permite o uso de algoritmos de planejamento robustos e não adaptativos que desempenham de forma competitiva com algoritmos adaptativos. Baseados em nossa análise, propomos um método para construir malhas 3D a partir de nuvens de pontos derivadas de sonar e introduzimos modelagem de incerteza através de regressão bayesiana não paramétrica. Finalmente, demonstramos o benefício do planejamento ativo de inspeção usando dados de sonar de inspeções de cascos de navios com o AUV Flutuante Bluefin-MIT.