SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

ロボットも人間と同様に、物事を遂行するためには自分がどこにいて、どのように動いているかを知る必要があります。オドメトリ（自己位置推定）として知られるこの能力は、機械が地点Aから地点Bまでナビゲートすることを可能にする、位置と方位に関する絶え間ない内部計算のことです。数十年にわたり、エンジニアたちは世界の姿を構築するために外部センサーに頼ってきました。カメラは「目」として機能し、角やテクスチャといった視覚的な特徴を捉え、レーザースキャナーは壁や障害物の幾何学的な形状をマッピングします。これらのツールは、明瞭で明るく、構造化された環境下では見事に機能します。しかし、現実の世界はしばしば混沌としています。濃い煙、目の眩むような雪、漆黒のトンネル、あるいは突然の光の消失などは、カメラを盲目にし、レーザービームを散乱させてしまいます。こうした外部感覚が失敗すると、ロボットはすぐに道を見失い、進路を外れたり、完全に停止したりしてしまいます。この脆弱性は、災害現場や地下深くの鉱山のような、最も危険で予測不可能な場所へ自律型マシンを送出する際の長年の障壁となってきました。

カーネギーメロン大学とバッファロー大学の研究チームは、この問題を解決するために、「スーパー・オドメトリー（Super Odometry）」と呼ばれる新しいシステムを開発しました。外部環境によって容易に欺かれてしまう外部センサーだけに依存するのではなく、彼らのシステムは、暗い部屋の中で自分の足取りを感じながら歩く人間のように、ロボット自身の内的な運動感覚を信頼することを学習します。研究者たちは、単にセンサーをオン・オフさせるのではなく、状況がいかに悪化しているかに基づいて戦略全体をダイナミックに適合させるフレームワークを構築しました。彼らは、飛行ドローン、車両、脚式ロボットを含む一連のロボットを用いてこのシステムをテストし、過酷な地形の中を計200キロメートル以上にわたって走行させました。その結果、カメラやレーザーが全く役に立たない状況（高密度の煙の中や完全な暗闇など）においても、内部のモーションセンサーからのデータに大きく依拠することで、正確なナビゲーションを維持できることが示されました。

この新しいアプローチの核心は、状況が悪化するにつれて作動する階層的な適応プロセスにあります。通常の環境では、ロボットはカメラとレーザースキャナーを使用して経路を追跡します。しかし、空気が煙で満たされたり光が衰退したりしても、システムはパニックに陥ることなく、単に焦点を切り替えるだけです。第一のステップは、どの視覚的詳細を信頼するかについてより選択的になり、ぼやけた部分や混乱を招く部分を無視することです。もし環境が幾何学的に紛らわしくなった場合（例えば、壁がすべて同じに見える長い空の廊下のような場合）、システムは注意を、依然として信頼できる情報が見つかる方向へとシフトさせ、情報の得られない方向を無視します。劣化が混合した状態、つまり一部のセンサーが故障し他のセンサーが苦戦している場合には、システムは自信の重み付けを動的に変更し、現在正常に動作している方のセンサーにより強く依存するようにします。

最も重要な革新は、すべての外部センサーが完全に失敗したときに起こります。密集した煙の充満した部屋や吹雪のような、目もレーザーも見通せないシナリオにおいて、システムは学習された内部モデルへと移行します。このモデルは、加速度と回転を測定する小さなチップである慣性計測装置（IMU）に基づいています。歴史的に、これらのチップは二次的なツールとして扱われ、カメラからのデータを滑らかにするためだけに利用されてきました。しかし、研究者たちは多様なロボットからの100時間を超えるデータを用いてディープラーニングネットワークを訓練し、純粋に内部の動きのデータのみから移動を予測する方法を教え込みました。これにより、たとえ周囲が何も見えない状態であっても、ロボットは自身の位置を推定することが可能になりました。このシステムは、外部センサーが機能しているときには、それらが常にこの内部モデルを教え、洗練していくように設計されています。しかし、外界が見えなくなったときは、内部モデルが主導権を握り、ロボットを動かし続けるための信頼できるバックアップを提供します。

この概念を証明するために、研究者たちは厳格な一連のテストを実施しました。彼らは脚式ロボットを使い、大学のキャンパス内で13種類以上の困難な条件を含む単一の連続ルートを走行させました。ロボットは、暗く特徴のない廊下、急な階段、そしてレンズフレアや白い壁などの激しい視覚ノイズがあるエリアを通り抜けました。最後に、ロボットは視界とレーザーセンサーの両方を完全に遮蔽してしまうほど濃い煙が立ち込めるゾーンに入りました。全行程2,966メートルの旅を通じて、システムは一度も失敗しませんでした。最終的な位置誤差はわずか20センチメートルであり、ドリフト率は0.006パーセントという驚異的な低さを維持しました。このパフォーマンスは、複雑なバックエンドの手法を用いたり、後から間違いを修正しようとしたりすることなく、移動しながらリアルタイムで自己修正を行うことで達成されました。

チームはまた、突発的なセンサー故障に対するシステムの処理能力についてもテストを行いました。ある実験では、段ボールを使ってロボットのセンサーを物理的に塞ぎ、まず側面を、次に正面を、最終的にはカメラとレーザースカナーの両方の視野を完全に覆いました。システムはこれらの遮断を即座に検出し、残りのセンサーへの依存度を調整しました。カメラが塞がれるとシステムはレーザースキャナーに寄りかかり、レーザーが塞がれるとカメラに寄りかかりました。両方が塞がったときには、学習された内部運動モデルが主導権を取りました。ロボットは周辺環境のマッピングと経路の追跡を高精度で行い続け、外部による知覚が完全に失われた状態でも長時間生存できることを実証しました。

さらなる検証は、自動車、ドローン、四脚ロボット、ハンドヘルドデバイスといった異なる種類のロボットでのテストからも行われました。研究者は、訓練された内部運動モデルが高い汎用性を持つことを発見しました。多くの異なるタイプのロボットからのデータで訓練されたモデルは、特定の１つのタイプのためだけに訓練されたモデルよりも優れた性能を発揮しました。これは、新しいロボットに対してゼロから再学習する必要がなく、システムを展開できることを意味しています。さらに印象的なことに、システムは新しいロボットに対してもリアルタイムで適応できました。大型のアニマル・オールテレイン車を用いたテストでは、わずか60秒間のデータを使用するだけで、システムはその車両特有の動きのパターンを学習し、内部モデルを調整して直ちに精度を向上させることができました。

研究者たちは、自分たちの手法を分野における既存の最高技術と比較しました。幾何学的および混合型の劣化を含む標準的なテストにおいて、彼らのシステムは、二番目に優れた手法よりも平均エラー率が54％低い数値を記録しました。より重要な点は、高密度の煙のテストのような極限の状態においては、他のシステムが完全に機能を喪失した一方で、スーパー・オドメトリーは機能し続けたことです。本研究は、単にセンサーを追加したり、データの平均を取ったりするだけではこれらの問題は解決できないという考えを明確に否定しました。代わりに、環境が変化した際には硬直的なアプローチは失敗し、安全と機能を維持するためには柔軟かつ階層的な戦略が必要であることを示したのです。

この成果は、ロボットを真の意味で現実世界において自律させるための大きな一歩となります。内部運動センサーを主要な役割へと昇華させ、環境の深刻さに応じて異なる戦略をシームレスに切り替えられるシステムを作ることで、研究者たちはあらゆる条件下で安全に稼働できる基盤を築き上げました。煙の充満した建物の中を飛ぶ救助ドローンであろうと、暗い洞窟を探査するローバーであろうと、あるいは吹雪の中を走る車両であろうと、このシステムはロボットが決して道を見失わないことを保証します。6年間に及ぶ開発期間を経て集められた800時間以上の運用実績に基づく結果は、環境に左右される脆いロボットの時代が終わり、送り込まれた場所がどこであれ適応し生き延びることができるマシンの時代が到来していることを示唆しています。