TM-APR: 熱画像の時系列メモリ適応による位置認識

本論文は Thermal Visual Place Recognition (Thermal VPR) のためのオンライン適応フレームワーク TM-APR を提案する。Thermal VPR はカメラ観測を地図環境内の metric pose に写像し、自律ナビゲーションの前提となる技術である。しかし、環境依存性が強く、オンライン再学習の負荷が大きく、動的な非線形変化をモデル化できないため、既存フレームワークはオンライン展開時に失敗する。そこで Analytic Class-Incremental Learning (ACIL) と domain-invariant VPR を初めて橋渡しし、勾配不要の行列更新が従来の fine-tuning を上回る強力なベースラインを構築することを示す。さらに ACIL と現代制御理論の代数的等価性を利用し、Unscented propagation (U-ACIL)、Gaussian Mixture partitioning (GMM-ACIL)、minimax H∞ optimization (H∞-ACIL) を更新ループに組み込む。

従来の Thermal VPR は環境依存性、オンライン再学習の重いオーバーヘッド、動的な非線形シフトのモデル化不能という問題があった。本論文は ACIL と domain-invariant VPR を初めて統合し、勾配不要の行列更新によるベースラインが従来の fine-tuning を上回ることを明らかにした。さらに標準 ACIL の線形仮定に起因する極端な非線形熱変動への脆弱性を克服するため、ACIL と現代制御理論の代数的等価性を利用して U-ACIL、GMM-ACIL、H∞-ACIL を更新ループに埋め込む。これにより O(1) 計算複雑度で厳密な閉形式行列更新を保証し、backpropagation を回避してオンライン更新遅延 Δt_learn をセンサ取得間隔 Δt_acquire 未満に厳密に抑え、リアルタイム SLAM パイプラインでの軌道ジャンプを排除する。

技術の肝は、Analytic Class-Incremental Learning (ACIL) と現代制御理論の間の新規な代数的等価性を利用し、Unscented propagation (U-ACIL)、Gaussian Mixture partitioning (GMM-ACIL)、minimax H∞ optimization (H∞-ACIL) を更新ループに直接埋め込む点である。この定式化により、O(1) 計算複雑度で厳密な閉形式行列更新が保証され、backpropagation を回避する。その結果、オンライン更新遅延 Δt_learn がセンサ取得間隔 Δt_acquire より厳密に小さく保たれ、リアルタイム SLAM パイプラインにおける軌道ジャンプを排除する。

要旨からは不明。

標準 ACIL は構造的な線形仮定のため、極端な非線形熱変動に対して重大な脆弱性を示す。この限界を克服するために、ACIL と現代制御理論の代数的等価性を利用し、U-ACIL、GMM-ACIL、H∞-ACIL を導入している。また、O(1) 計算複雑度で厳密な閉形式行列更新を保証し、backpropagation を回避することで、オンライン更新遅延 Δt_learn をセンサ取得間隔 Δt_acquire 未満に厳密に抑え、リアルタイム SLAM パイプラインでの軌道ジャンプを排除する点が議論されている。

要旨で参照/比較されている研究として、Analytic Class-Incremental Learning (ACIL)、domain-invariant VPR、Unscented propagation (U-ACIL)、Gaussian Mixture partitioning (GMM-ACIL)、minimax H∞ optimization (H∞-ACIL) が挙げられる。関連手法として Thermal Visual Place Recognition (Thermal VPR) も参照されている。