センサフュージョン2026/10/7arXiv:2610.09828

折り紙車輪とセンサフュージョンによるロボット知覚と適応性の向上

Enhancing Robotic Perception and Adaptability through Sensor Fusion and Origami-Inspired Designs

折り紙 inspired な車輪でLiDARの視点を能動制御し、IMUとRGB-Dを融合して深度計測の欠損を屋内で21%→11%、屋外で48%→18%に低減した小型移動ロボットを開発。

詳しい要約

1. どんなもの？

- コンパクトな移動ロボットの知覚と適応性を高める研究。 - origami-inspired wheels を locomotion と sensing geometry の能動制御に利用。 - 車輪の変形で chassis pitch が変わり、2D LiDAR を中間仰角に掃引。 - IMU で姿勢を補正し、LiDAR 点を RGB-D depth stream に融合して RTAB-Map に供給。 - 300 USD 未満、2 kg 未満の試作機で実現。

2. 先行研究と比べてどこがすごい？

- 既存の移動ロボットは限られた payload とコストで scene geometry 復元が困難。 - 本研究は車輪の origami 変形を sensing geometry 制御に転用。 - 追加のアクチュエータなしで LiDAR 視点を連続調整可能。 - 低コスト・軽量ながら depth coverage を改善。 - 先行研究との具体的比較は要旨からは不明。

3. 技術・手法の肝は？

- origami-inspired wheels が地形適応と視点変更を兼ねる。 - 車輪位置変化で chassis pitch を変え、2D LiDAR を中間仰角に掃引。 - IMU で chassis attitude を推定し、LiDAR returns を RGB-D depth stream に投影。 - fusion node が統合し RTAB-Map へ入力。 - 既存の車輪 actuation を sensing に再利用する点が肝。

4. どうやって有効だと検証した？

- textureless indoor corridor と outdoor sunlit area で評価。 - 各センサ構成につき各設定で3回の run を実施。 - 全フレームの invalid-depth fraction の平均を比較。 - 屋内で21%から11%に、屋外で48%から18%に低減。 - 深度カバレッジ改善を定量的に確認。

5. 議論はある？

- 車輪 actuation を sensing に再利用することで視点調整と深度補完を両立。 - 低コスト・軽量な試作機で有効性を示す。 - 限界や課題、一般化可能性は要旨からは不明。 - 議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- RTAB-Map に関する論文。 - 2D LiDAR と RGB-D の sensor fusion に関する研究。 - origami-inspired robotics の関連研究。 - IMU を用いた chassis attitude estimation の手法。 - 要旨で参照/比較されている個別研究は明示されていない。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Namai Chandra, Jaison Jose, Kavi Arya, Shivaram Kalyanakrishnan

分類: cs.RO

原文アブストラクト

Compact mobile robots must recover scene geometry under changing lighting and surface texture while working within tight payload and cost limits. We present a compact mobile robot that uses origami-inspired wheels for locomotion and active control of its sensing geometry. As the wheels move between terrain-adaptive configurations, the changing chassis pitch sweeps a 2D LiDAR through intermediate elevations; held wheel positions provide a chosen viewing angle. An IMU accounts for chassis attitude, and a fusion node projects LiDAR returns into the RGB-D depth stream supplied to RTAB-Map. The arrangement uses the wheel actuation already present on a sub-300 USD, sub-2 kg prototype to extend the scanner's viewing geometry. We assess depth fusion in a textureless indoor corridor and an outdoor sunlit area, with three runs per sensor configuration in each setting. Mean full-frame invalid-depth fractions fell from 21% to 11% indoors and from 48% to 18% outdoors. The prototype combines improved depth coverage with a continuously adjustable LiDAR viewpoint using the same actuation that reconfigures its wheels.

arXivで原文を読む →arXiv概要ページ

折り紙車輪とセンサフュージョンによるロボット知覚と適応性の向上

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文