A New Implementation of NeoSLAM and a Comparative Evaluation with RatSLAM

技術要約：NeoSLAMの新たな実装とRatSLAMとの比較評価

問題提起
自律移動ロボティクスは、地下、森林、水中といった、未知かつ動的でGPSの利用できない環境において、重大な課題に直面している。これらのシナリオでは、ロボットは事前の地図なしに、知覚的な曖昧さ（perceptual aliasing）、センサノイズ、および環境の変化に対処しながら、同時自己位置推定および地図作成（SLAM）を実行しなければならない。RatSLAMのような生物学的着想に基づいたアプローチや、より新しい神経科学ベースのNeoSLAMは、スケーラブルなトポロジカル表現と曖昧さに対する優れた耐性を提供するが、その実用的な適用はしばしばソフトウェアの制限によって妨げられている。Python 2.7とレガシーなNuPICフレームワークを用い、ROS 1エコシステム内で開発されたオリジナルのNeoSLAM実装は、アーキテクチャ上のボトルネックを抱えている。具体的には、その同期的なリクエスト/レスポンス型の通信モデルと旧式のテクノロジーへの依存により、システムが入力されるセンサデータをフルレートで処理することができず、リアルタイムアプリケーションにおいて大幅なデータ損失を招いている。

手法
本研究では、NeoSLAMアルゴリズムの完全なアーキテクチャのリファクタリングおよびソフトウェアスタックのアップグレードを提示する。手法には、主に以下の3つの技術的転換が含まれる：

1. アーキテクチャのリファクタリング： オリジナルのモノリシックなneoslam_serverノードを、Visual Feature Extractor、Binary Projector、Neocortex、およびSpatial View Cellsという4つの独立した並行ノードへと分解した。同期的なリクエスト/レスポンスのパラダイムから、完全に並行したパブリッシュ/サブスクライブのパイプライン（ROS 2を使用）へと移行することで、システムの処理能力は、全ステージの合計処理レイテンシによって制約されるのではなく、最も遅い個別のステージ（ボトルネック）によって制約されるようになる。
2. ソフトウェアスタックの近代化： 実装をROS 1およびPython 2.7からROS 2 Rollingへと移行した。レガシーなNuPICフレームワークを、C++17で実装されPython 3バインディングを持つ現代的なhtm.coreライブラリに置き換えた。さらに、ランダム行列ファイルをバイナリ形式に変換し、行列演算および疎なバイナリデータのハンドリングのために、効率的なライブラリ（EigenおよびCRoaring）を採用した。
3. システムモジュール： 新しい実装は、以下の7つのROS 2ノードで構成される：
   • Visual Feature Extractor: 学習済みAlexNet (conv3) を使用して特徴量を抽出し、フレームのストライディングやクロッピングのオプションを備える。
   • Binary Projector: ランダムガウス投影による次元削減と、sLSBH（Sparse Locality Sensitive Binary Hashing）を用いた二値化を行い、コンパクトなバイナリ記述子を作成する。
   • Neocortex: 階層的時間メモリ（HTM）の原理、特に時間的コンテキスト（Temporal Memory; TM）を実装し、バイナリ入力を高次元の疎分散表現（SDR）へと展開する。
   • Spatial-View Cells: SDRの観測を類似度閾値に基づいて区間にグループ化し、ループクローズを検出し、視覚的テンプレート識別子を割り当てる。
   • Pose Cells, Experience Map, および Visual Odometry: これらのモジュールはRatSLAMのアーキテクチャと一貫している。

主な貢献
本論文は、3つの主要な貢献を概説している：

• アーキテクチャのリファクタリング： モジュール化された再設計により計算効率が大幅に向上し、入力されるセンサデータの破棄を最小限に抑えつつ、リアルタイムでのニアフルキャパシティ動作を可能にした。
• ソフトウェアスタックのアップグレード： 現代的でメンテナンス可能なテクノロジー（ROS 2, C++17, htm.core）への移行により、オリジナルのPython 2.7/ROS 1スタックにおけるスケーラビリティと長期サポートの問題を解決した。
• 実験的評価： 異なる環境条件下における3つのデータセット（Robotarium、iRat Australia、FIU MMC Lake）を用いて、新しいNeoSLAM、オリジナルのNeoSLAM、およびRatSLAMの間で系統的な比較分析を行った。

実験結果
評価には、Robotarium（地上、屋内）、iRat Australia（地上、屋外）、FIU MMC Lake（水上、無人水上艇）の3つのデータセットを用いた。

• リアルタイム性能： 新しい実装は、オリジナルと比較してデータ損失を劇的に減少させた。Robotariumデータセットでは、データ損失が91%（オリジナル）から1%（新）へと減少した。iRat Australiaデータセットでは、90%から0%へと減少した。この改善により、新しいシステムは入力レートでフレームを処理できるようになったのに対し、オリジナルシステムは大部分のフレームを破棄していた。
• マッピングの一貫性： RobotariumおよびiRat Australiaのデータセットにおいて、オリジナルのNeoSLAMはデータ損失のために効果的なループクローズに失敗し、不整合なトポロジカルマップを生成した。新しい実装は、RatSLAMと同等の整合性のあるマップを生成した。
• 軌跡の精度：
  • iRat Australia: RatSLAMはNeoSLAM（0.29 m）と比較して、わずかに低い平均誤差（0.24 m）を示したが、両者ともトポロジカルに一貫したマップを生成した。
  • FIU MMC Lake: 純粋な慣性オドメトリを用いるこの困難な水上環境において、NeoSLAMはRatSLAM（6.10 m）と比較して、わずかに低い平均誤差（5.92 m）を達成した。著者らは、誤った再ローカライゼーションを防ぐために、exclude_recent_intervalsパラメータのチューニングが必要であったと述べている。

意義と主張
本論文は、提案されたROS 2ベースのNeoSLAM実装が、オリジナルのバージョンの処理スループットの制限を克服することに成功し、リアルタイムアプリケーションへの適用を可能にすることを主張している。結果は、新しいNeoSLAMが多様な環境においてRatSLAMと同等のマップ再構成性能を達成していることを示している。特筆すべき点として、著者らはこれがUSV（無人水上艇）のデータセットでNeoSLAMを評価した最初の研究であることを述べており、顕著な視覚的曖昧さと慣性のみのナビゲーション条件下においても、劣化した純粋なオドメトリの軌跡を改善するトポロジカルマップを構築できる能力を強調している。本研究は、新しいNeoSLAMが再構成の質においてRatSLAMに匹敵する一方で、その近代化されたアーキテクチャが、現在のロボティクスツールへの統合に向けた優れた保守性とスケーラビリティを提供することを強調している。