BIMを信頼すべき時：施工誤差下での識別可能性を考慮したLiDAR慣性-BIM融合

- LiDAR-inertial odometry (LIO) と BIM を融合したロボット自己位置推定において、scan と BIM の不一致が何に起因するかを特定する問題（fault identification）を扱う研究。 - 不一致の原因として pose error、as-built deviation（壁面オフセットや未モデル化物体）、shifted room の3つの fault class を定式化。 - 幾何学的に attribution が可能かどうかの基準を導出し、可能なときだけ帰属を報告する identifiability-aware な手法を提案。 - 曖昧な場合は候補を保持し、BIM 更新や BIM に基づく pose 補正を曖昧方向で保留し、新たな参照が来たら回復する。

- 従来の uncertainty-based abstention を備えた baseline と比較。 - fault が検出可能だが帰属不能なケースで、条件付き誤り率が 0.83%（baseline は 31.67%、同一回答率）。 - 帰属可能な 5,600 ケース中 5,574 回で一意な帰属を報告し、誤帰属ゼロ。 - 実験室（IFC model 使用）と SLABIM dataset の3フロアでの paired fault injection で、off-target attribution が実験室 0/168、SLABIM 0/1,302。 - 両再現 baseline は全設定で off-target structural flag を出したのに対し、提案法は予測通り帰属可能な実験室の8 fault すべてを帰属。

- scan と BIM の不一致の原因を3つの fault class 上の fault identification 問題として形式化。 - attribution が可能となる条件を幾何学的基準として導出。 - その基準に基づき、fault が attributable なときのみ帰属を報告する identifiability-aware 手法を構築。 - 曖昧な場合は候補を保持し、曖昧方向での BIM 更新と BIM ベースの pose 補正を延期し、新たな参照が届いた時点で回復する仕組み。

- 事前登録された two-dimensional study を実施。 - fault が検出可能だが帰属不能なケースで条件付き誤り率を baseline と比較（0.83% vs 31.67%）。 - 帰属可能な 5,600 ケースで一意帰属の報告回数と誤帰属の有無を評価（5,574 回、誤帰属なし）。 - 実験室の IFC model を用いた paired fault injection（168 条件）と SLABIM dataset の3フロア（1,302 条件）で off-target attribution を評価。 - 実験室で予測通り attributable な8 fault すべての帰属を確認し、再現 baseline との比較も実施。

- 要旨からは不明（scan と BIM の不一致が複数の説明で同一観測になり得る幾何学的曖昧性が中心的課題として述べられている）。 - attribution 不能時に BIM 更新と pose 補正を曖昧方向で延期する設計の限界やトレードオフについての議論は要旨からは不明。

- 要旨で比較対象として言及される uncertainty-based abstention を備えた baseline。 - SLABIM dataset および IFC model を用いた関連研究。 - LiDAR-inertial odometry (LIO) と BIM 融合に関する先行研究（個別名称は要旨からは不明）。