LiDARが劣化したらレーダーに切り替え：空中遮蔽物下でのLiDAR信頼性を考慮した適応的ローカリゼーション

- LiDAR-inertial odometry (LIO) は地下環境の煙・粉塵で信頼性が低下するが、radar は比較的堅牢。 - 本論文は LiDAR 劣化検出と信頼性認識型 localization のための one-class temporal learning framework を提案。 - 空間・cross-modal・幾何/運動・強度・measurement-recency 特徴を評価し、LSTM autoencoder で正常時のみ学習。 - LiDAR 信頼度推定に基づき LIO と radar inertial odometry (RIO) を適応切替。 - GNSS-denied 地下トンネルで実機検証。

- 従来の LIO は煙・粉塵で劣化するが、radar の堅牢性に着目。 - ラベル付き劣化データ不要の one-class 時系列学習を採用。 - 複数の劣化敏感特徴を体系的に評価し、特徴の parsimony の重要性を示す。 - 適応的 modality 切替により劣化時も localization 出力を維持。 - 具体的な先行研究との比較は要旨からは不明。

- 空間・cross-modal・幾何/運動・強度・measurement-recency の劣化敏感特徴を抽出。 - スライディングウィンドウで時系列を LSTM autoencoder に入力。 - 正常動作のみで学習し、再構成誤差から劣化を検出。 - LiDAR 信頼度推定が LIO と RIO の適応選択を制御。 - 信頼できる時は LIO、劣化検出時は RIO に localization 権限を移譲。

- GNSS-denied 地下トンネルで実世界 ground robot データを収集。 - 正常時と濃煙条件下で評価。 - 劣化検出、適応 modality 切替、深刻な LiDAR 劣化下での localization 出力継続を実証。 - 特徴ファミリーの ablation study を実施。 - 濃煙シナリオで縮小特徴表現が劣化認識 localization 性能を改善することを示す。

- 特徴の parsimony が one-class センサ劣化検出で重要。 - 縮小特徴表現が濃煙シナリオの性能を改善。 - ラベル付き劣化データ不要の利点。 - 他の obscurants や環境への一般化は要旨からは不明。 - 計算コストやリアルタイム性の詳細は要旨からは不明。

- LiDAR-inertial odometry (LIO) の関連研究。 - radar inertial odometry (RIO) の関連研究。 - LSTM autoencoder を用いた one-class 時系列異常検出。 - センサ劣化検出・適応的 sensor fusion の研究。 - 地下環境での localization に関する研究。