空撮画像と仮想ティーチングによるゼロショット地上車両の経路再現

- 本論文は Virtual Teach and Repeat (VirT&R) を提案する。 - Teach and Repeat (T&R) フレームワークの拡張。 - GPS-denied 環境での zero-shot 自律 UGV ナビゲーションを実現。 - 対象環境の aerial imagery から Neural Radiance Field (NeRF) を学習。 - 密な point cloud と photo-textured mesh を抽出。 - NeRF mesh で高忠実度シミュレーションを構築し、UGV を仮想的に操縦して経路を定義。 - 実環境では NeRF 由来の point cloud submap と既存の LiDAR Teach and Repeat (LT&R) でミッションを実行。

- 従来の T&R では実環境で人間が UGV を手動教示する必要があった。 - VirT&R は実環境での手動教示を不要にし、aerial imagery と仮想教示のみで経路を定義。 - 既存の LiDAR Teach and Repeat (LT&R) を再利用しつつ、教示段階を aerial imagery ベースへ置き換え。 - 閉ループ経路追従性能は LT&R と同程度であることを示唆。 - GPS-denied かつ未踏環境での zero-shot ナビゲーションを可能にする点が特徴。

- aerial imagery から NeRF モデルを学習し、point cloud と photo-textured mesh を生成。 - NeRF mesh による高忠実度シミュレーション上で UGV を仮想操縦し、所望経路を定義。 - 経路に沿った NeRF 生成 point cloud submap を関連付けて教示マップを構築。 - 実環境では既存の LiDAR Teach and Repeat (LT&R) フレームワークを用いてミッションを実行。 - sim-to-real の lateral path-tracking error を評価できるよう、物理マーキングを利用。

- 12 km 以上の自律走行データで VirT&R の repeatability をベンチマーク。 - 物理マーキングにより sim-to-real lateral path-tracking error を取得し、LT&R と比較。 - 2 つの異なる環境で RMSE 19.5 cm と 18.4 cm を達成。 - テスト用ロボットのタイヤ幅 24 cm よりやや小さい誤差。 - 最大誤差はそれぞれ 39.4 cm と 47.6 cm。 - NeRF 由来の教示マップのみで達成し、LT&R に類似した閉ループ経路追従性能を示した。

- VirT&R は実環境での手動教示を必要とせず、LT&R に類似した閉ループ経路追従性能を持つと主張。 - 誤差はタイヤ幅未満だが、最大誤差は 39.4 cm と 47.6 cm に達する。 - 評価は 2 環境・12 km 超の走行データに基づく。 - aerial imagery の品質や NeRF 再構成精度の影響、多様な環境への一般化については要旨からは不明。 - GPS-denied 環境での zero-shot 性能の限界や失敗条件については要旨からは不明。

- LiDAR Teach and Repeat (LT&R): 本論文が比較・再利用する既存フレームワーク。 - Neural Radiance Field (NeRF): aerial imagery から point cloud と mesh を生成する中核技術。 - Teach and Repeat (T&R): VirT&R の基盤となる枠組み。 - sim-to-real 転移や GPS-denied ナビゲーションの関連研究（具体的論文は要旨からは不明）。