道を見失わないために：オンデマンドの視覚特徴生成による視覚慣性オドメトリのドリフト軽減

カメラとIMUのみを搭載したUAVが、反復的・低テクスチャ環境でのVIOドリフトを抑えるため、必要に応じて環境に視覚特徴を能動的に生成するactive environment-modification framework。童話『親指トム』に着想を得て、ground markersの投下や壁への物理的接触によるmarkingを行う。事前地図や追加のlocalization sensorsを必要としない。

従来のVIOは反復・低テクスチャ環境で劣化し、事前地図や追加センサに頼る手法が多い。本研究はカメラとIMUのみで、UAV自身が環境を改変してvisual featuresを創出する点が新しい。要旨からは不明だが、on-demandの特徴生成とinformation-based indicatorによる介入が先行研究との差分として示唆される。

UAVがground markersを放出する、または壁に物理接触してmarkingすることでvisual featuresをon demandに生成する。介入のトリガにはinformation-based indicatorを用い、temporal confirmationとhysteresisを組み合わせて誤発動を抑える。VIOベースのmarking判断はオンラインで実行される。

3つのsimulated environmentsと900-run factorial campaignで評価。cruise speed低下とactive markingがdivergence減少と関連し、非divergent run間のaccuracyはspeed-strategy interactionsに依存。Corridor experimentsは構成ごとに5 run、flight controlにOptiTrackを用い、VIOベースのmarking判断はオンラインで有効化。統合frameworkはbaseline VIO比で報告されたposition root mean square errorを約35%低減。

低cruise speedとactive markingがdivergence低減に関連する一方、非divergent runのaccuracyはspeed-strategy interactionsに依存する点が議論の余地。simulationとcorridor experimentsでの検証であり、実環境の多様性やmarkingの物理的制約、長期運用への一般化は要旨からは不明。

要旨で参照・比較されている研究は明示されていない。関連手法としてbaseline VIO、visual-inertial odometry、active perception、information-based triggering、OptiTrackを用いた評価、UAV inspectionに関する研究を次に読む候補として挙げる。