CAVE-NAV: VLMを用いた水中洞窟環境における自律3次元ナビゲーション

本論文は、水中洞窟環境における自律ナビゲーションのためのフレームワークを提案している。Vision-Language Model (VLM) と Chain-of-Thought (CoT) 推論を用いて、RGB画像、深度マップ、ソナーによる垂直クリアランス測定などのマルチモーダル入力から、光強度勾配、通路形態、幾何学的複雑さなどの環境手がかりを解釈し、安全な3Dナビゲーションのための進行可能な方向を推論する。

従来のナビゲーションシステムは、高密度な視覚特徴に依存したローカライゼーションとマッピングに依存しているが、水中洞窟では視覚劣化により特徴ベースのローカライゼーションが損なわれる可能性がある。また、ソナーベースのマッピングは過度に保守的な障害物表現をもたらす可能性があり、通信制約によりリアルタイムの人間によるガイダンスが不可能である。本提案は、VLMとCoT推論を用いることで、これらの問題を回避し、環境手がかりから直接ナビゲーション方向を推論する点が新しい。

手法の核心は、VLMとCoT推論を利用して、マルチモーダル入力（RGB画像、深度マップ、ソナーベースの垂直クリアランス測定）から環境手がかり（光強度勾配、通路形態、幾何学的複雑さ）を抽出し、安全な3Dナビゲーションのための進行可能な方向を推論することである。これにより、従来の特徴ベースのローカライゼーションやマッピングに依存せず、直接的なナビゲーション判断が可能となる。

高忠実度シミュレーションを複数の洞窟トポロジーで実施し、提案フレームワークが評価されたすべてのエンドツーエンドのトラバーサルを衝突なしで完了し、洞窟境界からの安全なクリアランスを維持することを実証した。

要旨からは、シミュレーションでの検証のみであり、実環境での検証が不明である。また、VLMの推論の解釈可能性や、計算コスト、リアルタイム性についての議論は要旨には含まれていない。さらに、提案手法が他のセンサフュージョン手法や学習ベースの手法と比較してどの程度優れているかについての定量的な比較は要旨からは不明である。

要旨で参照されている先行研究は明示されていないが、関連する分野として、水中ナビゲーション、Vision-Language Model (VLM)、Chain-of-Thought (CoT) 推論、ソナーベースのマッピング、マルチモーダルセンサーフュージョンに関する論文が考えられる。具体的には、水中SLAM、視覚言語ナビゲーション、ロボティクスにおけるVLM応用などの研究が挙げられる。