The realization of next-generation SLAM technique based on self-diagnosis map: maintenance-free SLAM

点击翻译按钮获取中文摘要

今年度は、主に能動視覚（ロボット制御）を研究し、これまでに開発した受動視覚（SLAM・変化検出器）と統合してシステムを完成し、実証実験を行った。以下に2022年度における研究内容を箇条書きで示した。(1) 受動視覚から能動視覚への知識転移：受動視覚を教師とし、能動視覚（生徒）を訓練する、新しい自己教師有り教師生徒知識転移フレームワークを実現した。具体的には、深層ニューラルネットワーク（深層NN）を受動視覚とし、その内部知識（深層NN中間層：特徴画像）および外部知識（深層NN出力層：予測）を能動視覚へ転移する。成果を主要国際会議 IAPR CVMI2022 にて発表した。(2) アクティブ変化検出：変化検出タスクのセンシングコストを削減する目的で、最も情報が得られそうな視点へ効率的に移動するためのロボット制御（active change detection）の問題を研究した。具体的に、上記の教師生徒知識転移を拡張して、教師（変化検出NN）から生徒（ロボット制御）への知識転移を行う手法を開発した。さらに、この手法を拡張して、新奇な能動型マップマッチング（active map-matching）手法を開発した。成果を雑誌論文・国際会議にて発表した。(3) SLAMモジュール群の故障診断：深層SLAMシステム内の異なるモジュール（例：測位と歩測）の間の不整合を故障インジケータとしてもちいてシステムの機能低下（故障）を診断する新しい故障診断型・変化検出手法を開発した。(4) ループと変化の同時検出：SLAM問題の主要な２つのサブタスク（ループ閉じ込み、変化検出）を一つに統合する包括的なフレームワーク（simultaneous detection of loop-closures and changed objects）を実現した。成果を雑誌論文にて発表した。