One year in a forest: Analyzing the challenges of autonomous navigation in subarctic environments

森の中を自律走行するように設計されたロボットを想像してみてください。舗装された道路ではなく、北部の手つかずの、移ろいゆく荒野の中を走るロボットです。これらの機械が機能するためには、一秒ごとに自分がどこにいるのかを知る必要があります。通常、彼らはスマートフォンがカフェを探すためにGPSを使用するように、はるか上空を回る衛星からの信号に頼っています。しかし、カナダの深い亜寒帯の森では、空はしばしば厚い樹木の層によって遮られ、空気そのものが信号を飲み込んでしまうことがあります。衛星信号が途絶えたとき、ロボットは自身の目とセンサー、つまり「オドメトリ（推測航法）」と呼ばれるプロセスに頼らなければなりません。それは、暗い部屋の中で目を閉じたまま、自分がどれくらい進んだかを知るために歩数を数えようとするようなものです。問題は、その部屋が変化することです。夏には森は緑豊かで葉に満ちていますが、冬には数メートルの雪に埋もれ、木々はがらんとして葉もありません。機械にとって、この季節の変化は、歩こうとしている最中に部屋の家具が突然配置換えされるようなものです。

これが、ケベック州のラバル大学の研究チームが解決しようとした課題でした。彼らは、現在利用可能な最もスマートなナビゲーション・ソフトウェアが、亜寒帯のボレアル森林の中で丸一年間生き残ることができるのかを知りたいと考えました。彼らは単にコンピュータ上でシミュレーションを行ったのではなく、実際のロボット、すなわち小型車ほどの大きさの履帯式車両を製作し、それを野生の世界へと送り出しました。彼らは64キロメートルに及ぶ森林道路やオフロードの地形を走行し、夏の暑さ、秋の腐敗、そして冬の深い凍結を通じてデータを記録しました。温度変化は極端で、最も暑い日と最も寒い夜の間で60度以上の差がありました。目標は、単純な車輪の回転数を数える方法から、リアルタイムで世界の3Dマップを構築しようとする複雑な人工知能に至るまで、9種類の異なるナビゲーション・システムをテストすることでした。彼らは、周囲の世界が完全に変化したときに、どのシステムが機能し続け、どのシステムが単に諦めてしまうのかを見極めたかったのです。

結果は驚くべきものでした。研究者たちは、最も洗練されたシステム、つまりカメラを使って世界を「見る」ものや、詳細な地図を作る複雑なアルゴリズムを使用するものは、しばしば最も脆弱であることを発見しました。季節が変わると、これらの高度なシステムは同じ場所を認識することに苦労しました。夏に森を見ているカメラは、緑の葉と木漏れ日を見ますが、冬には、その同じ森が白雪と暗い幹のトンネルになります。都市や穏やかな気候のデータで学習したソフトウェアは、そのつながりを見出すことができませんでした。ソフトウェアは混乱し、場所を見失い、コースから外れてしまいました。多くの場合、これらのハイテク・システムは、車輪がどれだけ回転したかを数え、基本的なセンサーを使って方向を推測するという、はるかに単純な手法よりも性能が悪かったのです。「プロプリオセプティブ・オドメトリ（固有受容オドメトリ）」として知られるこの単純な手法は、森がどのように見えようとも気にしません。それはロボット自身の動きだけを重視します。完璧ではありませんでしたが、雪が積み重なったり木々が氷に覆われたりしても、この手法は驚くほど安定しており、複雑な「兄弟たち」よりもはるかに失敗が少ないことが証明されました。

この研究はまた、システムに複雑さを加えることが、むしろ故障の可能性を高めることも明らかにしました。一部の高度なソフトウェアは、以前訪れた場所を探すという「ループ・クロージャ（閉路検知）」と呼ばれるプロセスを用いて、自らの間違いを修正しようと試みました。都市では、建物は一年中同じように見えるため、これはうまく機能します。しかし、亜寒帯の森林では、「ランドマーク（目印）」は信頼できません。冬の雪の塊は夏には茂みに見えるかもしれませんし、木が雪に隠れてしまうこともあるでしょう。ソフトウェアはこれらの特徴を一致させようとして失敗し、位置に大きな誤差を生じさせます。研究者たちは、これらの複雑なシステムは環境の変化に対して非常に敏感であり、しばしば完全に失敗し、ロボットを立ち往生させてしまうことを発見しました。対照的に、世界の完璧な地図を作ろうとしない単純なシステムは、たとえ経路が多少ずれていたとしても、前進し続けました。

最も重要な発見の一つは、センサー自体の違いに関するものでした。都市での詳細な把握には優れているカメラは、季節の影響を最も強く受けました。夏にはカメラは追跡するための多くの特徴を見ることができますが、冬には、雪が平坦で特徴のない白い表面を作り出し、ソフトウェアを混乱させます。ロボットが雪の上を走ると、カメラには白一色の景色しか映らず、ナビゲーション・システムは方向感覚を失います。電波やレーザーパルスを使用して距離を測定するレーダーやライダー（LiDAR）は、はるかに回復力がありました。それらは雪や暗闇を見通すことができ、樹木の視覚的な外観に依存しませんでした。しかし、これらのセンサーでさえ、地面そのものが形を変えると苦戦しました。ロボットが雪の塊の上を走ると、車両の角度が変わり、センサーによる地面の見え方が変わります。この物理的な変化が、変化する景観と組み合わさることで、新しい旅を古い地図と照合しようとするレーダー・システムさえも苦戦させる原因となりました。

研究者たちはまた、ロボットが一度学んだ経路を別の季節に繰り返すことができるかどうか、いわゆる「ティーチ・アンド・リピート（教示と反復）」のテストも行いました。彼らは夏にルートを教え込み、冬に同じ道を走行させました。結果はまちまちでした。レーザーを使用して3Dマップを作成するライダー・ベースのシステムは、地面が埋まっていても一貫して存在する高い木々を見ることができたため、多くの場合でタスクを完了できました。一方で、世界の平坦な断面のみを見るレーダー・システムや、視覚的なパターンに依存するカメラ・システムは、はるかに頻繁に失敗しました。特にレーダーは、ロボットが雪の塊を乗り越える際の地面の角度の変化に混乱し、数ヶ月前に学習した地図との整合性を失いました。カメラ・システムは、特に雪が深く均一で、除雪されていない道路を走行している場合、どこにいるのかを知るための視覚的な手がかりを十分に得ることができませんでした。

ソフトウェアを超えて、亜寒帯の環境という物理的な現実は、実験を継続するためだけに克服しなければならない独自の課題を突きつけました。寒さは絶え間ない敵でした。バッテリーは凍結した気温の中で急速に電力を失い、雪の上を移動するための履帯は、夏に車輪が回転するよりも2倍のエネルギーを必要としました。チームは、単に雪の深さだけでなく、雪の種類によってロボットがスタックしてしまう問題にも対処しなければなりませんでした。11月の新鮮で乾燥した雪ではロボットはグリップして進むことができましたが、4月の湿った重い雪では、車両を前進させることなく履帯が空回りしました。センサーは雪や氷を取り除いて清潔に保たなければ、完全に機能しなくなってしまいます。さらに、ロボットが正しいかどうかを確認するための参照データである「グラウンド・トゥルース（真値）」を得ることさえ困難でした。極度の寒さと荒れた地形のために標準的な校正（キャリブレーション）が不可能であったため、チームは特殊なクレーンを使用してロボットを持ち上げ、さまざまな方向に揺らしてセンサーを校正しなければなりませんでした。

本研究は、ロボットのナビゲーションにおいて大きな進歩を遂げているものの、亜寒帯の森林は依然として自律機械にとって過酷なフロンティアであることを結論づけています。都市や管理されたラボでは見事に機能する最も高度なアルゴリズムは、まだ野生の、移ろう世界には準備ができていません。それらはあまりにも脆弱であり、教えられた時と同じ世界であることを前提としすぎています。ロボット自身の動きに依存する最も単純な手法が最も信頼できることが証明されており、これは、現在のところ、北部の深い森においては、景色を認識しようとするよりも、自分自身の足取りを信じる方がロボットにとって賢明であることを示唆しています。研究者たちは、前進するためには、シミュレーションだけでなく、現実世界の条件下でこれらのシステムをテストする方法を改善する必要があると強調しています。彼らは、将来のテストにおいて、システムが動作している時の正確さだけでなく、それがどれくらいの頻度で失敗するかを明示的に報告すべきであると提案しています。それまでは、深い雪と変化する季節の中を自律的に走行し、北部の森林を一年中徘徊できるロボットという夢は、まだ手の届かないところにあります。森は変化し続けており、機械はまだそれに追いつく準備ができていないのです。