LoCal-RIO: Radar-Inertial Odometry with Loop-Closure IMU Bias Calibration

配送ロボットから自動運転車に至るまで、自律走行ロボットは、自分がどこにいてどのように動いているかという、絶え間ない内部的な感覚に依存しています。晴天の条件下では、カメラやレーザースキャナーはこのタスクに優れており、機械を導くための世界の詳細な絵を描き出します。しかし、空気が霧、塵、あるいは煙で満たされたり、照明が失われたりすると、これらの光学センサーはしばしば盲目になります。こうした困難な環境をナビゲートするために、エンジニアはミリ波レーダーへと目を向けます。光とは異なり、レーダー波は視覚的な障害物を突き抜け、壁や物体に跳ね返ることで、周囲の概略図を提供することができます。しかし、レーダーにも重大な死角があります。レーダーはロボットが物体に対してどの程度の速度で接近または離反しているかを測定することには長けていますが、ロボットがどちらを向いているのかを判断することには苦労します。信頼できる方向感覚がなければ、ロボットはコースから外れて漂流し、エラーを徐々に蓄積させ、最終的には実際とは全く異なる場所にいると信じ込むことになってしまいます。

スカルコボ科学技術研究所の研究チームは、この特定の問題を解決するために、「LoCal-RIO」と呼ばれる新しいシステムを開発しました。彼らの研究は、レーダーのデータと、加速度計やジャイロスコープを含む動きを追跡するための小さなセンサーパッケージである慣性計測装置（IMU）からの測定値を融合させることに焦点を当てています。彼らが取り組んだ核心的な課題は、標準的なセンサー結合手法は、レーダーがジャイロスコープのドリフト傾向を補正できないために、長距離においてしばしば失敗してしまうという点です。研究者たちは、ロボットの即時的な移動追跡と長期的な地図作成を分離し、ロボットが完全なループを完了した時にのみセンサーの内部エラーを修正する巧妙な手法を用いることで、地下駐車場や多層階の図書館のような大きく混乱しやすい屋内空間においても、高い精度でロボットをコース内に留めておくことができることを発見しました。

このシステムは、パイロットとナビゲーターのように連携して機能する、2つの異なるレベルで動作します。第一のレベルである「ナビゲーション・グラフ」は、常に高速で動作し、レーダーの速度測定値とIMUの運動データを融合して、ロボットが従うべき滑らかでリアルタイムな経路を生成します。この部分は、ロボットが環境に即座に反応できるように、高速かつ応答性に優れた設計になっています。しかし、レーダーはロボットの向きを完璧に決定できないため、この高速追跡レイヤーでは時間の経過とともに不可避的に小さなエラーが蓄積し、ロボットの内部マップが現実から徐々に逸脱していく原因となります。第二のレベルである「マッピング・グラフ」は、バックグラウンドで動作します。これは、ロボットの位置の断片を重要な瞬間に取得し、環境のグローバルな地図を構築します。このレイヤーは低速ですがより徹底しており、ロボットが以前訪れた場所に再び戻ってきたことを認識することができます。

LoCal-RIOの画期的な点は、これら2つのレベルがどのように通信するかという部分にあります。多くの従来のシステムでは、バックグラウンドのマッパーがロボットのドリフトを察知した際、単にロボットの位置を地図上の正しい場所へと強制的に引き戻していました。これは地図を修正することにはなりますが、ロボットの内部的な位置感覚に突然の激しい跳躍を生じさせ、車両を操縦しようとする制御システムを混乱させる可能性がありました。研究者たちは、ドリフトの真の原因はロボットの位置ではなく、ジャイロスコープの読み取りにおける微細で持続的なエラーであることに気づきました。彼らのシステムは、ロボットの位置を強制的にジャンプさせる代わりに、「ループ・クロージャ（ループ閉鎖）」、つまりロボットが以前の場所に立ち戻ったことを認識した瞬間を利用して、ジャイロスコープがどれほど「嘘をついていたか」を正確に計算します。そして、現在の位置や速度を一切乱すことなく、センサーの内部バイアスを静かに調整し、ドリフトの根本原因を修正します。これにより、ロボットはスムーズに動き続けながら、その内部コンパスが徐々に正確になっていくのです。

これを実現するために、チームは、偽のエコーやノイズに満ちていることが多いレーダーデータの扱いにくい性質を克服しなければなりませんでした。彼らは、複数の表面で跳ね返る弱く混乱を招く信号を無視し、固体の物体からの強く明確な反射を優先するフィルタリング技術を開発しました。これにより、構築される地図が鮮明で信頼できるものになります。さらに、システムには、修正を受け入れる前の厳格な安全チェックが含まれています。システムは一度のループ・クロージャをすぐに信頼することはありません。代わりに、ロボットがさらに数回のループを完了し、新しい経路が古い経路と一致していることを確認するまで待ちます。その上で初めて、センサーのバイアスへの修正を適用し、ロボットが間違いから学習してしまうことがないようにしています。

研究者たちは、大規模な地下駐車場、木製の棚がある図書館、複雑で湾曲した廊下のあるキャンパス内の建物など、さまざまな困難な実環境でこのシステムをテストしました。これらのテストにおいて、システムは数千メートルの移動を正常にマッピングし、他のレーダーベースのシステムが失敗するであろう場所でも高い精度を維持しました。総ループ距離が2,200メートルを超える特定のテストでは、システムは建物の真の幾何学的構造とロボットの経路を一致させ続け、ロボットを混乱させるのが常である反復的なパターンや低反射表面を処理できることを実証しました。結果として、単に地図を修正するのではなく、センサーの内部エラーを校正することに焦沢することで、ロボットは、より高価で壊れやすいレーザーベースのシステムに匹敵する精度でナビゲートでき、かつ、他のテクノロジーが機能不全に陥る霧や塵、暗闇の環境で作動するために必要な堅牢性を備えていることが示されました。

このアプローチは、自律走行ロボットを真に信頼できるものにするための重要な一歩となります。ドリフトを回避不能な欠陥としてではなく、修正可能なエラーとして扱い、かつ修正がスムーズかつ安全に適用されるようにすることで、LoCal-RIOは、ロボットが道を見失うことなく、最も困難な条件下で探索・運用できる道筋を示しています。このシステムは、適切な数学的枠組みがあれば、レーダーの限界を強みに変えることができ、周囲の世界が遮られていても機械が明確に「見る」ことを可能にすることを証明しています。