マルチロボット位置推定2025/12/1arXiv:2512.10540

Mr. Virgil: マルチロボットの視覚・測距による相対位置推定の学習

Mr. Virgil: Learning Multi-robot Visual-range Relative Localization

UWB測距と視覚検出の対応付けをグラフニューラルネットで学習し、微分可能なポーズグラフ最適化と組み合わせてマルチロボットの相対位置推定を高精度化するフレームワークを提案。

詳しい要約

1. どんなもの？

- UWB と vision を融合した multi-agent 相対位置推定のための end-to-end 学習フレームワーク - 名前は Mr. Virgil - 構成要素は2つ - UWB rangings と visual detections のデータ同定を行う graph neural network (GNN) フロントエンド - differentiable pose graph optimization (PGO) バックエンド - 実環境向けに decentralized system も実装 - コード公開: https://github.com/HiOnes/Mr-Virgil

2. 先行研究と比べてどこがすごい？

- 従来の UWB-vision fusion 相対位置推定は robot と visual detection の matching 問題が難しく、identity-encoded hardware や繊細な tuning algorithm に強く依存していた - 誤った match でも過信してしまい、localization system に不可逆な損害を与えうる点が課題だった - 本研究は matching を学習ベースで行い、さらに uncertainty を推定して PGO に渡すことでこの依存を緩和 - 従来手法と比較して様々な scene で stability と exactitude を示したと主張

3. 技術・手法の肝は？

- フロントエンド: GNN により UWB rangings と visual detections の data association を学習 - 頑健な matching 結果 - 正確な初期位置予測 - 信頼できる uncertainty estimate - バックエンド: differentiable PGO に上記を統合し、最終 pose estimation の精度を向上 - 全体を end-to-end で学習 - 実環境向けに decentralized system を実装

4. どうやって有効だと検証した？

- robot 数、simulation と real-world、occlusion あり/なしの条件を変えた実験を実施 - 従来手法と比較し、様々な scene での stability と exactitude を確認 - 詳細な評価指標やデータセット名は要旨からは不明

5. 議論はある？

- 過信した誤 match が localization system に不可逆な損害を与えうる問題意識が動機 - uncertainty estimate を PGO に統合することで信頼性向上を図る設計 - 具体的な限界、失敗事例、計算コスト、decentralized system の詳細な議論は要旨からは不明

6. 次に読むべき論文は？

- UWB-vision fusion を用いた既存の multi-agent relative localization 手法（identity-encoded hardware や tuning algorithm に依存するもの） - graph neural network を用いた data association 研究 - differentiable pose graph optimization (PGO) に関する研究 - 要旨で個別の論文名は参照されていないため、上記は関連手法の一般名

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Si Wang, Zhehan Li, Jiadong Lu, Rong Xiong, Yanjun Cao, Yue Wang

分類: cs.RO

原文アブストラクト

Ultra-wideband (UWB)-vision fusion localization has achieved extensive applications in the domain of multi-agent relative localization. The challenging matching problem between robots and visual detection renders existing methods highly dependent on identity-encoded hardware or delicate tuning algorithms. Overconfident yet erroneous matches may bring about irreversible damage to the localization system. To address this issue, we introduce Mr. Virgil, an end-to-end learning multi-robot visual-range relative localization framework, consisting of a graph neural network for data association between UWB rangings and visual detections, and a differentiable pose graph optimization (PGO) back-end. The graph-based front-end supplies robust matching results, accurate initial position predictions, and credible uncertainty estimates, which are subsequently integrated into the PGO back-end to elevate the accuracy of the final pose estimation. Additionally, a decentralized system is implemented for real-world applications. Experiments spanning varying robot numbers, simulation and real-world, occlusion and non-occlusion conditions showcase the stability and exactitude under various scenes compared to conventional methods. Our code is available at: https://github.com/HiOnes/Mr-Virgil.

arXivで原文を読む →arXiv概要ページ

← 論文一覧