WRAP: ロボット位置推定のためのワッサーシュタイン頑健適応プラグイン

本論文は、ロボットの自己位置推定（localization）において、センシング条件の変化によるバイアス誤差や誤較正された共分散に対処するため、WRAP（Wasserstein-Robust Adaptive Plug-in）を提案する。これは、非線形拡張カルマンフィルタ（EKF）および誤差状態カルマンフィルタ（ESKF）スタックに適用可能な、アダプタ非依存のWassersteinロバストなプラグインモジュールである。因果的なモジュールが時変の有効なプロセスおよび観測統計量を供給し、平均保存型のWasserstein局所更新が最小不利共分散とロバストなゲインを計算する。伝播モデル、残差、レトラクションを変更せずに、平均適応と共分散ロバスト化を分離し、伝播とセンシングに異なる半径を用いる。

先行研究では、センシング条件の変化に対して、バイアス補正と共分散のロバスト化を個別に扱うことが多く、またEKF/ESKFの構造を変更する必要があった。WRAPは、アダプタ非依存であり、既存のフィルタスタックにプラグインとして組み込める点が新しい。さらに、平均適応と共分散ロバスト化を分離し、伝播とセンシングに異なるロバスト半径を用いることで、精度と一貫性の両方を改善する。特に、方向性のあるプロセス共分散の再配分による追加の利得を、アブレーション実験で示している。

手法の核は、因果的なモジュールによる時変の有効なプロセスおよび観測統計量の推定と、平均保存型のWasserstein局所更新である。Wasserstein局所更新は、最小不利共分散とロバストなゲインを計算するが、伝播モデル、残差、レトラクションは変更しない。これにより、平均適応（mean adaptation）と共分散ロバスト化（covariance robustification）を分離し、伝播とセンシングに異なる半径（radii）を用いる。具体的には、プロセス共分散の方向性のある再配分を可能にする。

有効性は、UWB-IMUシーケンス18件（アダプタ学習からはホールドアウト）とGNSS-INSのサンプル内研究で検証した。UWB-IMUでは、アダプタのみで平均3D位置RMSEを名目ESKF比で19.8%削減し、WRAPでは27.4%削減した。等方性アブレーションでは19.5%削減となり、方向性のあるプロセス共分散再配分による追加の利得を示した。GNSS-INS研究では、平均適応が精度向上の大部分を担い、DR（ロバスト化）が一貫性を改善し、過度に締め付けられた古典的共分散推定を緩和することを示した。ロバストソルブはJetson Orin Nano上でUWBに0.05ms、GNSSに2.92msかかった。

議論として、要旨からは、WRAPの理論的な保証や限界についての詳細は不明である。また、アダプタの学習方法や、異なるセンサ構成への一般化についての議論は要旨には含まれていない。さらに、計算時間は示されているが、実際のロボットシステムでのリアルタイム性やメモリ使用量などの実装上の課題は要旨からは不明である。

要旨で参照されている関連研究として、extended Kalman filter (EKF)、error-state Kalman filter (ESKF)、Wasserstein distance、robust estimation、およびUWB-IMUやGNSS-INS統合に関する研究が挙げられる。具体的には、Wassersteinロバスト最適化やカルマンフィルタのロバスト化に関する論文を読むことが推奨される。